Ex Argila-Tese

MINISTÉRIO DA EDUCAÇÃO E DO DESPORTO
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

Escola de Engenharia
Programa de Pós-Graduação em Engenharia de Minas, Metalúrgica e Materiais
PPGEM
ABORDAGEM PROBABILÍSTICA NA AVALIAÇÃO

DE DEPÓSITOS DE ARGILA CERÂMICA
Roger Luis Stangler
Dissertação para obtenção do título de

Mestre em Engenharia
Porto Alegre, RS
2001
MINISTÉRIO DA EDUCAÇÃO E DO DESPORTO
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL
Escola de Engenharia
Programa de Pós-Graduação em Engenharia de Minas, Metalúrgica e Materiais
PPGEM
ABORDAGEM PROBABILÍSTICA NA AVALIAÇÃO

DE DEPÓSITOS DE ARGILA CERÂMICA
Roger Luis Stangler

Geólogo
Dissertação apresentada ao programa de Pós-Graduação em Engenharia de

Minas, Metalúrgica e Materiais - PPGEM, como parte dos requisitos para a obtenção
do título de Mestre em Engenharia.
Área de concentração: Metalurgia Extrativa e Tecnologia Mineral
Porto Alegre, RS
2001
Esta dissertação foi julgada adequada para a obtenção do Título de Mestre
em Engenharia e aprovada em sua forma final pelo Orientador e pela Banca
Examinadora do Curso de Pós-Graduação.
Orientador: Prof. Dr. João Felipe Coimbra Leite Costa
Banca Examinadora:
Prof. Dr. Armando Zaupa Remacre – IG/UNICAMP
Prof. Dr. Carlos Pérez Bergmann – PPGEM/UFRGS
Prof. Dr. Jair Carlos Koppe – PPGEM/UFRGS
Prof. Dr. Jair Carlos Koppe

Coordenador do PPGEM
iv
La Nature est un temple où de vivants piliers

Laissent parfois sortir de confuses paroles;
L’homme y passe à travers des forêts de symboles
Qui l’observent avec des regards familiers.
Comme de longs échos qui de loin se confondent

Dans une ténébreuse et profonde unité,
Vaste comme la nuit et comme la clarté,
Les parfums, les couleurs et les sons se répondent.
Charles Baudelaire
v
Aos meus pais,

por todo apoio e incentivo,
e pela eterna dedicação.
vi
Agradecimentos
Ao Professor Dr. João Felipe Costa, por sua eficiente orientação,

incentivo, amizade e companheirismo, além do saudável convívio.
Aos membros da banca examinadora, pelas correções, sugestões,
comentários e críticas, que aprimoraram essa dissertação.
À Dra. Margaret Armstrong, pela orientação em Fontainebleau.
À UFRGS, em especial ao LPM, por propiciar condições adequadas
para o desenvolvimento de trabalhos de pesquisa.
A todos os colegas de laboratório, professores do DEMIN e
funcionários, pela amizade e cooperação, em especial ao Eng. de Minas
Sandro Schneider e ao Geól. Fernando Boff pela colaboração em algumas
figuras, aos Engs. de Minas Gustavo Pilger e Sérgio Klein pelas discussões,
à Eng. Civil Daiane Folle pelos comentários e ajuda nas revisões finais, aos
então bolsistas de iniciação científica Evandro, Leandro e Paul pelo apoio
computacional, e Zanuz, Cappone e Luís Eduardo pelo apoio na topografia,
ao Geól. Ivan de Oliveira pela participação nos trabalhos de campo, ao
Professor Dr. Adelir Strieder pelas discussões geológicas, e ao Geólogo
Roberto Romano Neto pelo companheirismo nas disciplinas do Mestrado.
Ao Grupo Eliane (Cocal do Sul/SC), em especial aos Geólogos Márcio
Geremias e Jorge Christ, pelo banco de dados utilizado gentilmente
concedido.
À minha esposa Rose, que com seu amor e paciência soube validar o
esforço desse trabalho, e à minha filha Bianca que com o brilho de seus
olhos iluminou a fase final da dissertação.
A todos os familiares e amigos que, de uma forma ou de outra,
contribuíram na realização dessa dissertação.
Ao CNPq pela bolsa concedida.
vii
Índice
Lista de Figuras.......................................................................................... x
Lista de Tabelas..................................................................................... xxiii
Resumo...................................................................................................xxv
Abstract .................................................................................................. xxvi
Capítulo 1 - Introdução............................................................................... 1
1.1 Estado-da-Arte........................................................................ 3
1.2 Meta........................................................................................ 6
1.3 Objetivos específicos da dissertação...................................... 7
1.4 Metodologia ............................................................................ 7
1.5 Organização dessa dissertação.............................................. 9
Capítulo 2 - Contexto Geológico e Industrial............................................ 10

2.1 Localização ........................................................................... 11
2.2 Contexto Geológico............................................................... 11
2.2.1 Geologia Regional................................................ 11
2.2.2 Geologia Local ..................................................... 16
2.3 Aspectos Cerâmicos Envolvidos ........................................... 29
Capítulo 3 - Definição dos Recursos Geológicos ..................................... 39

3.1 Considerações Preliminares ................................................. 40
3.2 Análise Exploratória dos Dados ............................................ 44
3.2.1 Topografia ............................................................ 44
3.2.2 Banco de Dados................................................... 48
3.2.2.1 Limites Definitivos .............................. 50
3.2.2.2 Características Amostrais.................... 54
viii
3.3 Modelamento de Continuidade Espacial: Variografia............ 71

3.3.1 Planície ................................................................ 74
3.3.2 Tálus .................................................................... 78
3.3.3 Tendências Gerais ............................................... 80
3.4 Estimativa e Classificação da Argila .................................... 81
3.4.1 Método de Krigagem ........................................... 82
3.4.1.1 Krigagem Ordinária em Blocos .......... 84
3.4.2 Resultados Obtidos.............................................. 86
3.4.2.1 Planície .............................................. 91
3.4.2.2 Tálus .................................................. 96
3.4.2.3 Transição ......................................... 100
3.5 Relação Estéril/Minério ....................................................... 104
3.6 Discussão dos Resultados.................................................. 105
Capítulo 4 - Análise das Reservas Recuperáveis .................................. 107

4.1 Campo da Geoestatística Não-Linear ................................. 108
4.2 Definição de Reservas Recuperáveis ................................. 109
4.2.1 Reservas Recuperáveis X Reservas in situ ....... 109
4.2.2 Reservas Recuperáveis na Extração de Argila
Cerâmica............................................................ 116
4.3 Simulações Estocásticas .................................................... 117
4.3.1 Uso de Simulações em Reservas Recuperáveis 123
4.3.2 Simulação Seqüencial Gaussiana...................... 126
4.3.3 Simulações no Subdomínio Planície.................. 129
4.3.3.1 Mudança de Suporte a posteriori ..... 130
4.3.3.2 Número de Realizações Obtidas...... 133
4.3.3.3 Espessura de Argila ......................... 135
4.3.3.4 Variáveis de Qualidade .................... 141
4.4 Variabilidade da Argila no Subdomínio Planície.................. 144
4.5 Reservas Recuperáveis de Argila no Subdomínio Planície 149
4.5.1 Avaliação Local .................................................. 150
4.5.1.1 Critérios Mineiros ............................. 150
4.5.1.2 Critérios Cerâmicos.......................... 151
ix
4.5.1.3 Combinação de Critérios Mineiros e

Cerâmicos........................................ 155
4.5.2 Avaliação Global ................................................ 159
4.5.2.1 Critérios Mineiros ............................. 160
4.5.2.2 Critérios Cerâmicos.......................... 163
4.5.2.3 Combinação de Critérios Mineiros e
Cerâmicos........................................ 167
4.5.2.4 Comparativo com Outras
Metodologias.................................... 171
4.6 Discussão dos Resultados.................................................. 177
Capítulo 5 - Conclusões e Recomendações .......................................... 179

5.1 Conclusões ......................................................................... 179
5.1.1 Sumário dos Resultados Obtidos....................... 179
5.1.2 Proposta Metodológica ...................................... 180
5.1.3 Atendimento a Objetivos Específicos................. 182
5.2 Recomendações ................................................................. 184
Referências Bibliográficas...................................................................... 186
Apêndices .............................................................................................. 192

Apêndice A - Publicações Associadas à Essa Dissertação
Apêndice B - Procedimentos Laboratoriais
Apêndice C - Banco de Dados de Sondagem
Apêndice D - Caracterização Global do Depósito
Apêndice E - Considerações sobre o Método de ssG
Apêndice F - Normalização
Apêndice G - Testes de Bigaussianidade
Apêndice H - Número de Realizações
Apêndice I - Validações das Simulações
Apêndice J - Independência de Probabilidades
x
Lista de Figuras
Figura 1.1 Seqüência metodológica adotada......................................... 8
Figura 2.1 Localização da área de estudo (distâncias em km). Fonte:

Mapa Brasil - Quatro Rodas, 1994 ..................................... 12
Figura 2.2 Contexto geológico e topográfico local da área de estudo

(mapa-base: cópia parcial da Carta de São Bento Baixo,
IBGE, escala original 1:50.000, coordenadas UTM)........... 13
Figura 2.3 Geologia regional da área de estudo estudo (adaptada do

Atlas de Santa Catarina, SEPLAN/SC, 1986).................... 14
Figura 2.4 Contexto geológico regional da área em estudo (mapa-base:

Carta Geológica de Turvo, CPRM, 1986, escala original
1:100.000, Projeto Borda Leste da Bacia do Paraná)......... 15
Figura 2.5 Fotografia aérea à esquerda e mapa topográfico à direita,

ambos na mesma escala. Dois subdomínios geológicos são
indicados no interior da área pesquisada (quadrado em
vermelho): “t” para tálus e “p” para planície. Equidistância
das curvas de nível: 5 m..................................................... 18
Figura 2.6 Visão parcial da área sondada (delimitada em vermelho) em

primeiro plano, mostrando logo à montante do extremo NW
as cabeceiras do canal principal do leque aluvial, e ao fundo
os contrafortes da Serra Geral............................................ 19
xi
Figura 2.7 Seções verticais esquemáticas cortando os dois

subdomínios geológicos da área pesquisada (locados no
mapa acima em vermelho; asterisco azul: local da foto da
Figura 2.8) .......................................................................... 21
Figura 2.8 Afloramento em corte vertical mostrando depósito de tálus

com seixos imbricados jazendo sobre a argila aluvial (local
da foto indicado na Figura 2.7) ........................................... 22
Figura 2.9 Visão da área de SW para N, mostrando aproximadamente

os limites do depósito de tálus no sopé do morro a N da
área. ................................................................................... 22
Figura 2.10 Vista da área de N para S, com limites aproximados dos dois
domínios geológicos (« t » = tálus; « p » = planície)........ 24
Figura 2.11 Fotografia aérea da região da área de estudo e

fotointerpretação................................................................. 26
Figura 2.12 Fotointerpretação de detalhe .............................................. 27
Figura 2.13 Corte aberto para extração experimental de argila

aproximadamente no centro da área pesquisada............... 28
Figura 3.1 Mapa base contendo a delimitação da área sondada

(coordenadas XY locais em metros, adotadas para a malha
de sondagem; altitudes indicadas acima do nível do mar) . 46
Figura 3.2 Mapa de relevo da área estudada, contendo informações

topográficas e locação dos furos de trado executados
(exagero vertical: 3 X; altitudes acima do nível do mar) ..... 47
Figura 3.3 Elevação topográfica para a área de estudo. Coordenadas

XYZ locais, em metros........................................................ 47
xii
Figura 3.4 Locação de todos os furos de trado em malha 25x25m,

mostrando amostras removidas em (a), e campo amostral
definitivo, com contato geológico transicional demarcado em
linha contínua (“T” = tálus; “P” = planície) em (b) ............... 53
Figura 3.5 Mapa base com os valores amostrais de espessura na área

sondada, ampliado acima para região efetivamente
pesquisada (malha 25m x 25m). Altitudes em metros acima
do nível do mar. .................................................................. 57
Figura 3.6 Mapa base com os valores amostrais de absorção d’água na

área sondada, ampliado acima para região efetivamente
do nível do mar. .................................................................. 58
Figura 3.7 Mapa base com os valores amostrais de retração linear na

área sondada, ampliado acima para região efetivamente
do nível do mar ................................................................... 59
Figura 3.8 Mapas de valores amostrais de acumulação de absorção

d'água (a), e de acumulação de retração linear (b). Valores
em %.m. ............................................................................. 60
Figura 3.9 Mapas de valores amostrais de acumulação de absorção

d'água (a), e de acumulação de retração linear (b). Valores
em %.m............................................................................... 61
Figura 3.10 Distribuição amostral original (a) e desagrupada (b) para

espessura ........................................................................... 63
Figura 3.11 Distribuições amostrais de absorção d’água (a) e retração

linear (b), ponderadas com espessura dos intervalos
correspondentes. Histogramas de freqüência acumulada,
xiii
contendo os intervalos de classificação cerâmica, são

mostrados em (c) para absorção d’água, e (d) para retração
linear................................................................................... 64
Figura 3.12 Distribuição amostral original (a) e desagrupada (b) para

acumulação de absorção d’água, e acumulação de retração
linear, respectivamente (c) e (d) ......................................... 65
Figura 3.13 Diagramas de correlação entre: (a) absorção d’água e

retração linear, mostrando os limites de classificação
cerâmica; (b) as duas acumulações; (c) absorção d’água e
espessura; (d) retração linear e espessura; (e) acumulação
de absorção d’água e espessura; (f) acumulação de retração
linear e espessura .............................................................. 66
Figura 3.14 Histograma da espessura .................................................. 67
Figura 3.15 Histograma original de absorção d’água (a) e retração linear

(b), apresentando valores ponderados com espessura dos
intervalos correspondentes. Histogramas de freqüência
acumulada, contendo os intervalos de classificação
cerâmica, são mostrados em (c) para absorção d’água, e (d)
para retração linear............................................................. 69
Figura 3.16 Distribuição amostral original para acumulação de absorção

d’água (a), e acumulação de retração linear (b) ................. 69
Figura 3.17 Diagramas de correlação entre: (a) absorção d’água e

retração linear, mostrando os limites de classificação
cerâmica; (b) as duas acumulações; (c) absorção d’água e
espessura; (d) retração linear e espessura; (e) acumulação
de absorção d’água e espessura; (f) acumulação de retração
linear e espessura .............................................................. 70
xiv
Figura 3.18 Modelos variográficos (linhas contínuas) ajustados para o

subdomínio planície, com base nos valores de variogramas
experimentais (pontos), nas direções de máxima e mínima
continuidade respectivamente para espessura (a)(b),
acumulação de absorção d’água (c)(d), e acumulação de
retração linear (e)(f). ........................................................... 77
Figura 3.19 Modelos variográficos (linhas contínuas) ajustados para o

subdomínio tálus, com base nos valores de variogramas
experimentais (pontos), nas direções de máxima e mínima
continuidade respectivamente para espessura (a)(b),
acumulação de absorção d’água (c)(d), e acumulação de
retração linear (e)(f) ............................................................ 79
Figura 3.20 Sumário das direções de maior continuidade espacial para

as variáveis regionalizadas em estudo nos dois
subdomínios. ...................................................................... 81
Figura 3.21 Aproximação da relação de continuidade espacial

(covariância ou variograma) ponto amostral/bloco pela
relação ponto amostral/pontos discretizadores do bloco.
Fonte: Goovaerts (1997, p.155).......................................... 85
Figura 3.22 Comparativo de resultados finais entre estimações a partir

dos modelos variográficos da planície contra estimações a
partir dos modelos variográficos do tálus, para os blocos
krigados na zona de transição, variáveis espessura (a),
absorção d’água (b) e retração linear (c)............................ 89
Figura 3.23 Transformação dos originalmente dois subdomínios

geológicos/geoestatísticos em três subdomínios de
estimativa, com a adição da "transição" como subdomínio
independente ...................................................................... 90
xv
Figura 3.24 Resultados da krigagem em blocos 25x25m para a variável

absorção d’água (%) no subdomínio planície: (a) totalidade
dos blocos estimados; (b) histograma de freqüência
acumulada ponderada com espessura contendo os limites
de classificação cerâmica; blocos classificados como
biqueima (c) e monoporosa (d)........................................... 93

retração linear (%) no subdomínio planície: (a) totalidade dos
blocos estimados; (b) histograma de freqüência acumulada
ponderada com espessura contendo os limites de
classificação cerâmica; blocos classificados como biqueima
(c) e monoporosa (d) .......................................................... 94

espessura (m) no subdomínio planície: (a) totalidade dos
blocos estimados; (b) histograma de freqüência dos valores
estimados; blocos classificados como biqueima (c) e
monoporosa (d) .................................................................. 95
Figura 3.27 Distribuição espacial de blocos estéreis e mineralizados no

subdomínio planície............................................................ 96
Figura 3.28 Percentuais estimados de tonelagens de argila classificada

como cerâmica e fora dos padrões (a), com discriminação
dos tipos cerâmicos em (b)................................................. 96

absorção d’água (%) no subdomínio tálus: (a) totalidade dos
(c) e monoporosa (d) .......................................................... 97
xvi

retração linear (%) no subdomínio tálus: (a) totalidade dos
(c) e monoporosa (d) .......................................................... 98

espessura (m) no subdomínio tálus: (a) totalidade dos blocos
estimados; (b) histograma de freqüência dos valores
monoporosa (d) .................................................................. 99
Figura 3.32 Distribuição espacial de blocos estéreis e mineralizados:

subdomínio tálus............................................................... 100

dos tipos cerâmicos em (b), subdomínio tálus.................. 100

absorção d’água (%) no subdomínio transição: (a) totalidade
biqueima (c) e monoporosa (d)......................................... 101

retração linear (%) no subdomínio transição: (a) totalidade
biqueima (c) e monoporosa (d)......................................... 102
xvii

espessura (m) no subdomínio transição: (a) totalidade dos
blocos estimados; (b) histograma de freqüência dos valores
monoporosa (d) ................................................................ 103
Figura 3.37 Distribuição espacial de blocos estéreis e mineralizados:

subdomínio transição........................................................ 104

dos tipos cerâmicos em (b), subdomínio transição........... 104
Figura 4.1 Comparativo do teor real Z x teor estimado Z* para blocos,

estimando pelos métodos de polígonos de influência (à
esquerda) e krigagem (à direita). Extraído de Marechal
(1976a), em David (1977, p.309) ..................................... 113
Figura 4.2 Recuperações estimadas para um dado teor de corte zo (F

freqüência): (a) influência do suporte [s2(v/G) e s2(c/G):
respectivamente variâncias de dispersão bloco/depósito e
ponto/depósito]; (b) influência do padrão de informação
[s2K*(v/G): variância de dispersão dos blocos krigados no
depósito G]. Extraído de Journel & Huijbregts (1978, p.447 e
450)................................................................................... 114
Figura 4.3 Exemplo ilustrativo de cabo submarino: (a) levantamento do

fundo oceânico com espaçamento amostral de 100 m; (b)
krigagem do fundo oceânico; (c) levantamento contínuo
(verdadeiro perfil); (d) simulação condicional baseada em
dados amostrais espaçados de 100 m, comparada com
verdadeiro perfil. Extraído de Alfaro (1979), em Chilès &
Delfiner (1999 p.450) ........................................................ 119
xviii
Figura 4.4 Quatro realizações da variável espessura na malha de alta

resolução 1x1 m tomadas aleatoriamente do grupo de
cinqüenta simulações ; abaixo, mapa amostral de
referência .......................................................................... 137
Figura 4.5 Quatro realizações da variável espessura em blocos 25x25

m, correspondentes àquelas apresentadas na Figura 4.5 no
suporte quase-pontual (extraídas do grupo de cinqüenta
simulações); abaixo, modelo de blocos estimado por
krigagem ordinária ............................................................ 139
Figura 4.6 Quatro realizações da variável absorção d’água em blocos

25x25 m, tomadas aleatoriamente do grupo de cinqüenta
simulações; abaixo, modelo de blocos estimado por
Figura 4.7 Quatro realizações da variável retração linear em blocos

25x25 m, tomadas aleatoriamente do grupo de cinqüenta
simulações; abaixo, modelo de blocos estimado por
Figura 4.8 Médias bloco-a-bloco (E-type) das cinqüenta realizações

para espessura (a), absorção d’água (c) e retração linear (e),
mostrando para bloco destacado no centro-oeste da área
histogramas de variabilidade para valores simulados em
cada variável, respectivamente (b), (d) e (f). Para as
variáveis de qualidade são demarcadas nos histogramas os
intervalos aceitáveis para argila cerâmica, quando as
variáveis são consideradas individualmente ..................... 146
Figura 4.9 Mapas de variabilidade mostrando bloco-a-bloco valores de

coeficiente de variação (CV) para as três variáveis: (a)
absorção d’água; (b) retração linear; e (c) espessura....... 148
xix
Figura 4.10 Mapas de probabilidade em exceder bloco-a-bloco

espessuras mínimas de: (a) 0,50m; (b) 0,70m; (c) 0,80m; (d)
1,00m ................................................................................ 151
Figura 4.11 Probabilidades bloco-a-bloco de ocorrência de argila tipo

Monoporosa no suporte 25x25 m (a) somadas às
probabilidades de ocorrência de argila tipo Biqueima (b)
resultam nas probabilidades totais de ocorrência de argila
cerâmica (c) ...................................................................... 154
Figura 4.12 Diagrama de correlação entre probabilidades de ocorrência

de argila cerâmica (Prob. A.C.) e probabilidades de
espessura ≥ 0,80 m (=Prob. Esp. 0,80m), bloco-a-bloco . 158
Figura 4.13 Mapas de probabilidades conjuntas bloco-a-bloco de

ocorrência de argila cerâmica acima de determinadas
espessuras: (a) 0,50m; (b) 0,70m; (c) 0,80m; (d) 1,00m.. 159
Figura 4.14 Curvas mostrando cenários extremos e mediano de reservas

recuperáveis segundo diferentes níveis de seletividade
mineira .............................................................................. 161
Figura 4.15 Curvas mostrando cenários extremos e mediano de

recuperação em t/m2 segundo diferentes níveis de
seletividade mineira .......................................................... 163
Figura 4.16 Curvas mostrando cenários extremos e mediano de reservas

recuperáveis segundo diferentes níveis de chance de
ocorrência de argila cerâmica medidos bloco-a-bloco. ..... 164
Figura 4.17 Valores simulados médios de absorção d’água para

diferentes níveis de chance de ocorrência de argila cerâmica
(suporte 25x25 m) ............................................................. 166
xx
Figura 4.18 Valores simulados médios de retração linear para diferentes

níveis de chance de ocorrência de argila cerâmica (suporte
25x25 m) ........................................................................... 166
Figura 4.19 Cenários extremos e mediano de reservas recuperáveis

conjugando três diferentes níveis de chance mínima de
ocorrência de argila cerâmica (50, 80 e 100%) e sete
diferentes níveis de seletividade mineira (P = chance de
ocorrência de argila cerâmica; Ot = cenário otimista; Med =
cenário mediano; Pes = cenário pessimista)..................... 169
Figura 4.20 Mapas de espessura recuperável de argila conjugando três

diferentes níveis de chance mínima de ocorrência de argila
cerâmica e três diferentes níveis de seletividade mineira
(P = chance de ocorrência de argila cerâmica; EM =
espessura mínima minerável) ........................................... 171
Figura 4.21 Curvas de reservas recuperáveis estimadas por krigagem

ordinária em blocos (argila cerâmica = argila biqueima +
argila monoporosa) ........................................................... 172
Figura 4.22 Curvas de parametrização de reservas obtidas a partir de:

s1x1 = simulações no suporte 1m x 1m; s25x25med =
simulações no suporte 25m x 25m (cenário mediano);
k25x25 = krigagem de blocos 25m x 25m; Pol Infl =
polígonos de influência em blocos 25m x 25m ................. 174
Figura D.1 Espessura estimada em blocos: mapa e seções verticais

Norte-Sul e Oeste-Leste .......................................Apêndice D
Figura D.2 Retração Linear estimada em blocos: mapa e seções

verticais Norte-Sul e Oeste-Leste .........................Apêndice D
xxi
Figura D.3 Absorção d'água estimada em blocos: mapa e seções

verticais Norte-Sul e Oeste-Leste .........................Apêndice D
Figura D.4 Localização dos blocos 25x25m classificados como Estéril e

Minério. .................................................................Apêndice D
Figura D.5 Distribuição espacial de blocos estéreis e de

minérios ................................................................Apêndice D
Figura D.6 Combinação da espessura estimada da camada de argila,

em relevo, com os blocos classificados como "estéril",
"argila biqueima" e "argila monoporosa" , em diferentes
visadas .................................................................Apêndice D
Figura D.7 Combinação em diferentes visadas da espessura

estimada da camada de argila, em relevo, com os
atributos de qualidade (parâmetros industriais) estimados
em blocos .............................................................Apêndice D
Figura D.8 Percentuais estimados de tonelagens de argila classificada

dos tipos cerâmicos em (b), depósito total ..........Apêndice D
Figura D.9 Distribuição de percentuais dos recursos geológicos totais

(independente de classificação) por subdomínio..Apêndice D
Figura D.10 Distribuição de percentuais da argila classificada como

cerâmica (total dos dois tipos) por subdomínio.....Apêndice D
Figura D.11 Distribuição de percentuais da argila classificada como fora

dos padrões, por subdomínio ..............................Apêndice D

Monoporosa, por subdomínio ..............................Apêndice D
xxii

Biqueima, por subdomínio ...................................Apêndice D
Figura E.1 Simulação de Monte-Carlo gerada a partir de uma função de

distribuição cumulativa F[u;z|(n)]. O "elésimo" valor simulado
z(l)(u) é obtido como o quantil p(l) dessa distribuição
condicional, onde p(l) é um número randômico
uniformemente distribuído em [0,1]. Extraído de Goovaerts
(1997, p.352)........................................................Apêndice E
xxiii
Lista de Tabelas
Tabela 2.1 Análise mineralógica por difratometria de raios-X de argila

da Planície .......................................................................... 25
Tabela 2.2 Análise química de argila da Planície, por fluorescência de

raios-X ................................................................................ 25
Tabela 2.3 Especificações para os dois tipos de argila cerâmica......... 37
Tabela 3.1 Resumo das estatísticas básicas para todas as variáveis nos
dois subdomínios................................................................ 71
Tabela 3.2 Modelos de continuidade espacial (semi-variogramas) para

as três variáveis regionalizadas, subdomínio planície ........ 78
Tabela 3.3 Modelos de continuidade espacial (semi-variogramas) para

as três variáveis regionalizadas, subdomínio tálus............. 80
Tabela 3.4 Número de blocos estimados em cada subdomínio e

respectivas extensões em área .......................................... 91
Tabela 4.1 Comparativo entre variâncias de espessura (m2). A variância

amostral (pontual) é calculada sobre os dados
desagrupados, enquanto os valores de variância obtidos das
simulações nos dois suportes representam as médias de
variâncias para as 50 realizações..................................... 140
xxiv
Tabela 4.2 Quadro de reservas recuperáveis em cenários extremos e

mediano segundo diferentes níveis de seletividade mineira,
mostrando entre parênteses oscilações percentuais em
relação a valores medianos .............................................. 162

mediano segundo diferentes níveis de de chance de
ocorrência de argila cerâmica, mostrando entre parênteses
oscilações percentuais em relação a valores medianos ... 165

mediano conjugando três diferentes níveis de chance
mínima de ocorrência de argila cerâmica e diferentes níveis
de seletividade mineira ..................................................... 170
Tabela 4.5 Quadro de reservas recuperáveis estimado por krigagem

ordinária em blocos, segundo diferentes níveis de
seletividade mineira .......................................................... 173
Tabela 4.6 Quadro de reservas recuperáveis (t) estimado por

diferentes métodos e suportes.......................................... 176
Tabela D.1 Quadro-resumo de recursos geológicos medidos (t).Apêndice D

xxv
Resumo
A argila é uma matéria-prima básica nos processos de fabricação de

pisos e azulejos. Especificações industriais devem ser cumpridas para sua
utilização como componente das formulações cerâmicas. A homogeneidade
é vital. Nos depósitos minerais fonte desse material, as características
cerâmicas da argila, sua representatividade, variabilidade e interação com a
geologia local precisam ser bem conhecidas, a fim de propriamente
quantificá-la e classificá-la de forma georeferenciada. Isso consubstancia a
tomada de decisões mineiras relacionadas. Essa dissertação apresenta uma
alternativa metodológica de avaliação de recursos geológicos e reservas
recuperáveis de argila cerâmica, em uma perspectiva probabilística. Métodos
geoestatísticos como krigagem e simulação estocástica são aplicados em
suporte de blocos de lavra. Recursos geológicos ocorrentes nos diversos
setores de um depósito estudado são estimados acuradamente. Em sua
porção mais favorável reservas recuperáveis são avaliadas, sob critérios
cerâmicos e de seletividade mineira, tomados separadamente e em conjunto,
em escala global e local. Para o estudo de caso apresentado, duas
propriedades cerâmicas pós-queima são consideradas, absorção d’água e
retração linear, além da espessura do horizonte argiloso. Modelos de
cenários extremos e medianos de reservas são construídos, flexibilizando a
apreciação do quadro geral obtido, e permitindo assim maior segurança na
condução de decisões e eventuais operações mineiras. Comparativos com
métodos tradicionalmente utilizados na avaliação deste tipo de depósitos, em
suas diversas fases, comprovam as vantagens da metodologia proposta, a
qual permite, além da quantificação e classificação cerâmica de reservas,
uma incorporação de margem de riscos nas predições realizadas.
xxvi
Abstract
Clay is a key raw material in the wall and floor tiles manufacturing.
Industrial specifications must be fulfilled for clay utilization as component into
the ceramic formulations. Homogeneity is vital. In the mineral deposit, source
of this material, the ceramic clay characteristics and their representativety,
variability, and interaction with the local geology must be well known, in order
to properly quantify and classify each portion of the deposit. This brings
foundation to the related mining decision-making processes. This dissertation
presents a methodology for resource/reserve assessment of ceramic clay,
using a probabilistic perspective. Established geostatistical methods such as
kriging and stochastical simulations are applied at a mining block support.
Geological resources of a given deposit are accurately estimated. In its more
favorable sector, recoverable reserves are evaluated under ceramic and
mining selectivity criteria, taken either individually or jointly, globally and
locally. For the presented case study, two post-firing ceramic properties are
considered, water absorption and linear retraction, both measured in
percentage, besides the clay seam thickness, in meters. Extreme and median
reserves scenarios are modeled, enhancing decision making in mining
alternatives. Comparisons with traditional methods used to evaluate this type
of deposits proves the advantages of the proposed methodology, which
allows, besides the quantification and ceramic classification of reserves, risk
assessment.
Capítulo 1
Introdução
O setor de minerais industriais encontra-se atualmente em franca

expansão, tanto em uso quanto em produção. Entre os minerais industriais
incluem-se aqueles usados na indústria cerâmica, onde a argila é um
ingrediente básico como matéria-prima nos processos de fabricação de pisos
e azulejos. Além de vários tipos de argila e argilito, nas massas cerâmicas é
usada uma combinação em proporções variáveis de: areia/arenito, caulim,
talco, feldspato, e outros. Nas formulações cerâmicas, cada um dos
componentes deve cumprir requisitos básicos em termos de especificações
industriais (parâmetros de qualidade), sendo importante além disso manter a
homogeneidade de suas características.
Nos depósitos fonte de matéria-prima cerâmica, as características da
argila a ser minerada, incluindo vários parâmetros físicos e químicos,
precisam ser devidamente conhecidas ao longo de todo depósito para guiar
os trabalhos mineiros em geral. Isto requer uma classificação adequada da
argila ocorrente, de forma georeferenciada, juntamente com uma
compreensão dos aspectos geológicos associados. Não raro, minas são
abertas com base apenas em características médias dos parâmetros,
provenientes de poucas análises realizadas, sendo assim difícil antecipar a
performance do material a ser extraído nos processos cerâmicos
subseqüentes. Freqüentemente, isto traz surpresas desagradáveis durante a
explotação ao longo da vida útil da jazida.
2
Mesmo nos casos onde há uma tentativa de classificação local da

argila ocorrente, métodos tradicionais de estimativa, tais como polígonos de
influência, têm se mostrado incapazes de caracterizar adequadamente os
depósitos de argila. As limitações ocorrem tanto no tocante à definição dos
limites reais das porções mais favoráveis do depósito quanto à sua
variabilidade. Além disso, a acuracidade das estimativas propriamente ditas é
deficiente neste tipo de avaliação.
Na tomada de decisões importantes tais como: (i) escolher qual
depósito deve ser minerado primeiro entre algumas alternativas (avaliação
global); (ii) qual parte do depósito escolhido deve ter prioridade (avaliação
local); (iii) que grau de seletividade deve ter equipamento e método a ser
usado na lavra, e ainda; (iv) uma avaliação dos riscos envolvidos em um
empreendimento mineiro, é fundamental uma quantificação das incertezas
associadas com as estimativas. Essas incertezas devem ser avaliadas tanto
em termos de oscilação das reservas recuperáveis calculadas e relação
estéril/minério, quanto na variabilidade das características cerâmicas destas,
não apenas antevendo valores estimados fixos.
Devido à complexidade dos processos cerâmicos e sua dependência
na qualidade dos diferentes componentes minerais utilizados, um
modelamento geológico apropriado é vital para minimizar variações na linha
de produção das fábricas. Essas oscilações causam consideráveis perdas
financeiras, fazendo com que uma boa previsão de sua magnitude seja
fundamental no planejamento e condução das atividades mineiras
relacionadas.
No contexto delineado acima insere-se o presente trabalho, onde
através de um estudo de caso é proposta uma metodologia geoestatística de
avaliação de depósitos de minerais industriais deste tipo. A partir de métodos
geoestatísticos, são classificados e quantificados recursos geológicos e
reservas recuperáveis, segundo níveis diversos de seletividade. A
incorporação de incertezas nestas estimativas é também aqui desenvolvida,
indicando riscos associados, balizando assim a tomada de decisões mineiras.
3
1.1 Estado-da-Arte
Poucos trabalhos têm sido publicados com aplicações de

geoestatística no campo cerâmico ou relacionado de alguma forma com
argilas. Entretanto, vários trabalhos têm sido publicados versando sobre
metodologias aplicadas em estudos de casos mineiros, em especial no que
tange às inter-relações da avaliação geoestatística e geologia, e no que
concerne à quantificação de reservas recuperáveis e incertezas envolvidas.
Embora geralmente direcionados para outros tipos de substâncias minerais,
estes trabalhos apresentam elementos de aplicação geral e por isso serão
aqui referenciados.
Uma aplicação de geoestatística multivariada em depósitos de
bentonita é desenvolvida por Borgman & Frahme (1975). Um exemplo de
aplicação ampla de simulações condicionais para problemas de variabilidade
em minerais industriais (no caso, calcário para cimento) é apresentado por
Luster (1985). Peroni (1998) introduz uma variável espectro-colorimétrica no
modelamento e planejamento de lavra de caulim, utilizando krigagem. Durão
et al. (1999) avaliam a otimização da produção de massas cerâmicas
modelando as propriedades físicas e químicas dos componentes argilosos,
aplicando modelos de regressão baseados em lógica fuzzy. Stangler (1999)
reporta um estudo de caso abordando a classificação de minério usando
krigagem, no mesmo depósito de argila aqui estudado. A aplicação de
simulações condicionais em depósito de caulim é apresentada por Peroni et
al. (2000). A variabilidade da granulometria in situ de um depósito de caulim,
culminando na parametrização de reservas, é estudada por Silva et al.
(2000). Entretanto a abordagem aqui proposta, qual seja a classificação e
parametrização de reservas, incorporando ao mesmo tempo a quantificação
de incertezas no dimensionamento de reservas e em seus parâmetros de
qualidade, para o campo específico de argilas cerâmicas a partir de amostras
com suportes variáveis, é praticamente inédita na literatura relacionada.
A análise bidimensional, em depósitos estratiformes de condições
geométricas semelhantes ao depósito em questão, é apresentada em Journel
& Huijbregts (1978, p.386-391), em termos de plano de krigagem para
depósito de laterita niquelífera, e David (1977, p.89-90), abordando o impacto
4
da espessura em acumulações. Casos semelhantes de trabalhos em suporte

não constante, onde são utilizadas variáveis de trabalho como acumulações,
são reportados por Matheron para depósito de bauxita [1962 (em Journel &
Huijbregts, 1978 p.244-247)], Deraisme [1976 (em Journel & Huijbregts, 1978
p.285-293)] em depósito de níquel e Krige (1981) em depósito de cobre.
Estimativas de quocientes ou produtos, incluindo acumulações com
espessura, como no estudo de caso presente, são referenciadas em David
(1977, p.221) e Journel & Huijbregts (1978, p.424-428).
Simulações condicionais são introduzidas originalmente por Journel
(1974). Diferenças básicas entre estimativas e simulações, bem como
princípios básicos de simulações condicionais, são desenvolvidos em Journel
& Huijbregts (1978, Cap.VII), além da abordagem à simulação de blocos
(p.511-517). Métodos de modelamento local e global de incertezas espaciais,
a partir da utilização de simulações condicionais, são discutidos em
Goovaerts (1997, Caps.7 e 8). Com rigorismo matemático mas sem deixar de
ser eminentemente aplicativo, são apontadas e discutidas as limitações da
krigagem, em função da freqüentemente indesejável suavização dos valores
estimados. Há também o caráter discutível da variância de krigagem
enquanto medida de qualidade de estimativa, levando-se em conta que em
seu cálculo são desconsiderados os valores amostrais.
Métodos de simulação de variáveis contínuas e categóricas são
desenvolvidos por Isaaks (1990), Deutsch (1992) e Dimitrakopoulos (1996).
Alabert (1987a e 1987b) e Zhu (1991) apresentam novos métodos de
simulação associando informações de diferentes fontes e grau de precisão.
Os principais algoritmos de simulação condicional, com ênfase de
aplicação ao método de simulação seqüencial Gaussiana são apresentados,
discutidos e comparados entre si em Goovaerts (1997, p.374-436) e Deutsch
& Journel (1998, Cap.5). As questões da aplicação de simulações
estocásticas e do tratamento de quantificação de incertezas e intervalos de
confiabilidade são apresentados em Olea (1999).
Os métodos de simulação geoestatística reunidos no grupo de
algoritmos de simulação seqüencial, obtendo valores randomicamente
simulados a partir de distribuições de probabilidades condicionais
cumulativas locais são intoduzidos e desenvolvidos por Johnson (1987) e
5
Journel & Alabert (1989). Alabert (1987b) introduz o método da simulação

seqüencial da indicatriz.
Definições e diferenças entre reservas recuperáveis e in situ são
discutidas em Journel & Huijbregts (1978, p.444-445). Entre os critérios
mencionados nesta diferenciação está a espessura de minério para
diferentes níveis de seletividade, como no presente estudo de caso.
Uma abordagem comparativa entre métodos de geoestatística linear e
não-linear para a estimativa de reservas recuperáveis locais é apresentada
em Remacre (1984), onde é desenvolvido o método do condicionamento
uniforme. Roth & Deraisme (2000) levam em consideração o efeito
informação no uso deste método para estimar reservas recuperáveis.
Simulações condicionais e a medida das incertezas denotando os
riscos envolvidos tem um papel extremamente importante no processo de
tomada de decisões mineiras. Seu uso inclui, por exemplo, a avaliação de
incerteza em teores previstos para planejamento mineiro, e o papel das
funções de transferência (Rossi & Alvarado, 1998). Rossi (1999) aborda o
modelamento de riscos, quantificando incerteza numa base bloco-a-bloco. O
efeito de incertezas geológicas em análises de risco no valor de um projeto
mineiro é estudado em Thwaites (1998) e Bonato (2000). Uma medida
apropriada de incertezas na avaliação de reservas recuperáveis, a partir da
aplicação de simulações condicionais é discutida e testada em Costa (1997)
e Dimitrakopoulos (1998). Stangler et al. (2001a), Apêndice A, apresentam
uma aplicação de simulação seqüencial Gaussiana para prever variações em
reservas recuperáveis no mesmo depósito avaliado aqui, porém sem a
avaliação de incerteza na qualidade do minério.
Análises de reservas recuperáveis a partir de métodos de simulações
são apresentadas em Journel & Huijbregts (1978, Cap.VI), e com o método
de krigagem disjuntiva em Rivoirard (1994). Journel & Huijbregts (1978,
p.445-449) analisam a influência do suporte, inclusive comparando com
método de polígonos de influência.
A questão da influência do suporte e de distribuição consideradas para
a recuperação de reservas segundo diferentes teores de corte e o impacto
em curvas de parametrização de reservas são abordados em David (1977),
Clark (1979, Cap.3), e David (1988).
6
Srivastava (1994) e Goovaerts (1997, p.333-340) descrevem vários

métodos e medidas de avaliar e visualizar incertezas locais usando os
resultados de simulações condicionais. Ehlschlaeger et al. (1997) e Pilger
(2000) apresentam maneiras de visualizar incerteza em informações
georeferenciadas usando efeitos de animação.
Aplicações geoestatísticas no campo da topografia são encontradas
em várias publicações (Olea, 1974; Krige & Rendu, 1975; Clarke, 1986;
Gilbert, 1989; Herzfeld et al., 1993; Luís et al., 1994; Schmitt & Bisquay,
2000). Deraisme (1976, não publicado, em Journel & Huijbregts, 1978, p.59-
61) aplica krigagem na cartografia na geometria de depósito de níquel.
Oliveira et al. (1995) aplicam métodos de krigagem para avaliação de volume
de cobertura estéril em mina de carvão. O risco ou incertezas associadas
com estimativa de volumes e suas conseqüências em projetos mineiros no
tocante à avaliação estéril-minério são investigados com métodos de
krigagem e simulações condicionais em Stangler et al. (2001b), Apêndice A,
na mesma área aqui estudada.
Em suma, tendo-se em mente o estado-da-arte descrito acima, e
levando-se em conta problemas rotineiros encontrados nesse meio mineral
cerâmico, esta dissertação pretende partir de um estudo de caso para
analisar diversos aspectos metodológicos envolvidos na avaliação de uma
jazida de argila cerâmica, com destaque para a avaliação de reservas
recuperáveis e incertezas relacionadas.
1.2 Meta
A partir dos problemas apontados de classificação e variabilidade, e

levando-se em consideração o estado-da-arte atual no campo e métodos
envolvidos, a presente dissertação propõe:
⇒ desenvolver uma metodologia geoestatística de análise qualitativa e
quantitativa de depósitos de argila para uso cerâmico, avaliando recursos
geológicos e reservas recuperáveis de forma probabilística, incorporando e
quantificando incertezas globais e locais (escala de bloco de lavra) nas
estimativas, possibilitando assim a orientação a decisões mineiras.
7
1.3 Objetivos específicos da dissertação
Através do estudo de caso de um depósito de argila cerâmica na

região do pólo cerâmico de Criciúma/SC, a intenção dessa dissertação é
atingir a meta proposta acima cumprindo os seguintes objetivos específicos:
(i) integrar a geologia do depósito e o estudo geoestatístico, com o

tratamento de dados em subdomínios geológicos/geoestatísticos
homogêneos;
(ii) caracterizar a variabilidade espacial das variáveis de interesse
(parâmetros de qualidade e espessura da camada de argila);
(iii) classificar e quantificar apropriadamente os recursos geológicos de
argilas cerâmicas ocorrentes ao longo do depósito, no suporte de
bloco de lavra, com base em parâmetros de qualidade estimados;
(iv) avaliar probabilisticamente reservas recuperáveis, quantificando
incertezas nas estimativas e na classificação da argila em blocos;
(v) comparar resultados gerais obtidos com método tradicionalmente
utilizado (polígonos de influência).
Ao atingir os objetivos acima listados, haverá um aprimoramento na

tomada de decisões concernentes a investimentos em abertura de mina e no
planejamento mineiro. Isso possibilitará a obtenção de matéria-prima
cerâmica de qualidade e variabilidade mais favoráveis, como resultado do
incremento no conhecimento global e local do depósito avaliado.
1.4 Metodologia
Com base nos objetivos propostos, as etapas de trabalho

representadas esquematicamente na Figura 1.1 foram desenvolvidas.
8
Revisão e preparação do banco de

dados para tratamento geoestatístico
Trabalho de campo: geologia/geomorfologia,

topografia e modelamento digital do terreno
Subdivisão em diferentes domínios geoestatísticos
Análise exploratória dos dados
Variografia
Krigagem ordinária e classificação de

qualidade da argila em blocos
Simulações estocásticas e análise de variabilidade

em5. reservas
Simulaçãorecuperáveis sob diferentes
seqüencial Gaussiana critérios
(SGS)
Quadros finais de reservas recuperáveis no depósito
Conclusões e recomendações
Figura 1.1 - Seqüência metodológica adotada.

9
1.5 Organização dessa dissertação
Os capítulos a seguir estão organizados da seguinte forma:

O capítulo 2 introduz o estudo de caso a ser tomado como base para
aplicabilidade do método proposto. Aspectos geológicos regionais e locais
relevantes são apresentados, bem como os aspectos cerâmicos
relacionados.
O capítulo 3 desenvolve a krigagem ordinária das variáveis envolvidas
no suporte de blocos. As características do banco de dados utilizado,
variáveis consideradas e estatísticas básicas são inicialmente introduzidos.
Após, é apresentada a análise de continuidade espacial, na forma da
variografia de todas as variáveis envolvidas, culminando no ajuste de
modelos variográficos a serem utilizados nas estimativas e simulações
subseqüentes. A partir dos valores estimados para as variáveis de qualidade,
a argila ocorrente é classificada e quantificada, local e globalmente, nos
diferentes subdomínios.
O capítulo 4 introduz inicialmente o conceito de reservas recuperáveis
em avaliações de reservas, especialmente no caso de argila cerâmica. Após,
revisa brevemente os princípios de simulações estocásticas, enfatizando o
método aqui aplicado, de simulação seqüencial Gaussiana (ssG), e situando
as diferenças de estimativas e implicações na avaliação de depósitos de
minerais industriais cerâmicos. A seguir, apresenta a seqüência das
simulações realizadas com as variáveis de interesse no estudo de caso.
Finalmente, o quadro de reservas recuperáveis obtido a partir das simulações
realizadas é apresentado, incluindo a análise de incertezas associadas nas
predições. As incertezas são quantificadas a nível mineiro (espessuras
mínimas mineráveis), a nível industrial (parâmetros de qualidade), e
finalmente numa combinação dos dois critérios.
O capítulo 5 fecha essa dissertação, apresentando as conclusões
obtidas a partir dos trabalhos realizados, bem como recomendações para
trabalhos a seguir.
Capítulo 2
Contexto Geológico e Industrial
A metodologia aqui proposta toma como base um banco de dados

composto de amostras oriundas de sondagem a trado manual, realizada em
uma área de argila cerâmica no Sul do Estado de Santa Catarina. Tal área já
foi abordada em trabalhos anteriores, sob diversos aspectos (Stangler, 1999;
Stangler et al., 2001a e Stangler et al., 2001b, Apêndice A).
A região em foco tem sido desde o início do século um importante
distrito carbonífero. Como as camadas de carvão encontram-se intimamente
associadas a camadas de folhelhos, argilitos e siltitos, as atividades de
“cerâmica branca” (envolvendo a fabricação de pisos e azulejos de cor de
queima clara) iniciaram o seu desenvolvimento nos anos 60 a partir da
constatação da grande potencialidade para ocorrência de matéria-prima
cerâmica. Até então, esse material era encarado como rejeito nas minas de
carvão, como até hoje o é nas minas do Estado do Rio Grande do Sul. Hoje
em dia essa região constitui o segundo maior pólo cerâmico no Brasil e um
dos maiores do mundo.
Ao longo deste capítulo, serão discutidos, logo após informações sobre
localização e vias de acesso da área em estudo, os aspectos geológicos
regionais e locais relevantes à avaliação geoestatística como um todo, bem
como os aspectos cerâmicos relacionados.
11
2.1 Localização
A área em estudo localiza-se na Região Sul do Brasil, S do Estado de

Santa Catarina, Município de Nova Veneza, região de Criciúma (Figura 2.1).
O acesso à área de Criciúma é feito inicialmente seguindo-se até Nova
Veneza por via asfaltada (aproximadamente 17 km). Desta cidade, segue-se
por 10 km aproximadamente em estradas não pavimentadas, em zona rural,
até a localidade de São Bonifácio, imediatamente a S da área em estudo. De
lá, por estradas de propriedade atinge-se o interior da área (Figura 2.2).
2.2 Contexto Geológico
2.2.1 Geologia Regional
A área em estudo encontra-se encravada numa transição de unidades

geológicas regionais, contato entre domínios fragmentários da seqüência
sedimentar paleozóica/mesozóica da Bacia do Paraná, a W-NW, e uma larga
planície costeira quaternária, a E-SE (Figura 2.3), formada nos arredores da
área por depósitos de leques aluviais e sedimentos fluviais recentes da bacia
do Rio Mãe Luzia. Tais sedimentos são na maior parte compostos por argilas,
uma vez que as rochas sedimentares tardi-paleozóicas ocorrentes nas
colinas e morros adjacentes, principal fonte da sedimentação quaternária,
são também constituídas principalmente por argilo-minerais.
As rochas gonduânicas pertencem à parte superior da coluna
estratigráfica da Bacia do Paraná, Grupo Passa Dois, Formações Serra Alta e
Rio do Rasto (a Formação Teresina, intermediária entre essas duas, não foi
individualizada na região). São recobertas por arenitos mesozóicos eólico-
desérticos da Formação Botucatu, por sua vez encimados por centenas de
metros de espessura de rochas efusivas (principalmente basaltos) da
Formação Serra Geral, completando a seqüência (Figura 2.4).
Descontinuidades laterais são freqüentemente observadas nas formações
gonduânicas e sedimentos quaternários. Maiores detalhes da geologia e
estratigrafia regional podem ser encontrados em Bortoluzzi et al. (1987).
12
↑N
BRASIL
Oceano
Atlântico
Oceano
Atlântico
Figura 2.1 - Localização da área de estudo (distâncias em km). Fonte: Mapa Brasil - Quatro
Rodas, 1994.
13
♦
Análise química
e mineralógica
Figura 2.2 - Contexto geológico e topográfico local da área de estudo (mapa-base: cópia parcial
da Carta de São Bento Baixo, IBGE, escala original 1:50.000, coordenadas UTM).
14
Depósito de argila
↑N
cerâmica em estudo
Oceano
Atlântico
SC
RS
20 km
Figura 2.3- Geologia regional da área de estudo (adaptada do Atlas de Santa Catarina,
SEPLAN/SC, 1986).
15
Figura 2.4 - Contexto geológico regional da área em estudo (mapa-base: Carta Geológica de
Turvo, CPRM, 1986, escala original 1:100.000, Projeto Borda Leste da Bacia do Paraná).
16
Em ambos os mapas geológicos citados (Figuras 2.3 e 2.4), é nítida a

presença de uma forte estruturação tectônica NW-SE, condicionando a forma
do relevo e por extensão os padrões encaixados de drenagem. Direções
secundárias N-S e NE-SW são também observadas, controlando a
orientação de algumas encostas. Implicações mais locais dessas estruturas
no relevo e sedimentação em geral serão abordadas no item a seguir. Os
sistemas estruturais NW-SE, mais antigos, foram cortados posteriormente por
estruturas NE-SW que resultaram no atual alinhamento costeiro desta porção
da região Sul do Brasil.
A pequena área (em torno de 60 ha) efetivamente pesquisada
encontra-se locada no N central da Figura 2.4, nos domínios de sedimentos
mais recentes de leques aluviais. De fato, na área propriamente dita e
subjacências são encontrados pequenos leques e planícies aluviais e
secundariamente depósitos coluviais, na maior parte compostos por argilas,
uma vez que as rochas sedimentares tardi-paleozóicas ocorrentes nas
colinas e morros adjacentes, principal fonte da sedimentação quaternária,
são também constituídas principalmente por argilo-minerais. Estes
sedimentos inconsolidados estão associados aos canais das drenagens
vindas de morros a N e NW, as quais não estão representadas na Figura 2.4
devido à escala mais regional do mapa original digitalizado (1:100.000).
2.2.2 Geologia Local
O depósito de argila objeto deste estudo está inserido no truncado

ambiente geológico regional abordado anteriormente. A disposição local das
formações geológicas no contexto topográfico da área e adjacências pode
ser visualizada na Figura 2.2, indicando a relação das unidades com a
topografia/geomorfologia correspondente.
A Formação Serra Geral, topo da seqüência, por apresentar litologias
comparativamente mais resistentes à erosão, se destaca no topo dos morros,
segurando a topografia. No outro extremo de idade geológica, os recentes
sedimentos aluviais inconsolidados ocupam planícies truncadas pelas
encostas dos morros. A Formação Serra Alta, composta de rochas pelíticas,
17
ocupa o sopé dos morros. Juntamente com a Formação Rio do Rasto

sobreposta, composta em sua parte mais basal também de rochas
predominantemente argilosas e onde ocorre uma quebra de relevo, constitui
a fonte da sedimentação do vale plano logo a N de São Bonifácio, onde se
encontra a área pesquisada.
A argila ocorrente na planície quaternária, onde se insere a área
sondada, resulta do transporte sedimentar oriundo das rochas sedimentares
paleozóicas adjacentes, as quais no local são já predominantemente
argilosas. Além do sistema estrutural NW-SE dominante, o qual condicionou
a forma dos canais de drenagem no W da área efetivamente pesquisada e o
morro a SE, canais subordinados de direção geral média NNE-SSW
interceptam a parte N dessa área sondada. A direção NE-SW condicionou a
orientação geral do morro a montante dessas drenagens. Estruturas mais
restritas em direções subordinadas podem ter uma importância local
importante, como no caso da encosta íngreme de direção WNW-ESE
imediatamente a N da área sondada, originando o depósito de tálus no N
dessa área, conforme será abordado adiante.
Trabalhos de mapeamento geológico/geomorfológico, conjugados a
levantamento topográfico de detalhe e o exame de tendências da distribuição
espacial de parâmetros cerâmicos obtidos em testes de laboratório a partir de
amostras de trado manual (ambos abordados em maior detalhe mais adiante
neste capítulo), ajudaram no delineamento de dois subdomínios geológicos:
planície e tálus (Figura 2.5).
O subdomínio planície consiste de um sistema de leque aluvial
formando uma planície de inundação, associado à drenagem principal NW-
SE no local. Tal planície é parcialmente coberta por um depósito de tálus na
porção N da área, compreendendo o segundo subdomínio identificado,
denominado simplesmente tálus. O depósito de tálus foi formado por
transporte de sedimentos grosseiros a finos, mal selecionados, a partir da
encosta íngreme situada a N da área.
O pequeno vale plano é circundado por pequenos morros e colinas
compostos de rochas paleozóicas argilosas ao redor, conforme mencionado
anteriormente, sendo a porção N deste vale coberta parcialmente por um
depósito de tálus. As condições geológicas locais indicam portanto um
18
ambiente sedimentar compreendendo um sistema de leque aluvial, coberto

parcialmente por sedimentação coluvial (tálus).
↑N
t
t
p 800 m p
Figura 2.5 - Fotografia aérea à esquerda e mapa topográfico à direita, ambos na mesma escala.
Dois subdomínios geológicos são indicados no interior da área pesquisada (quadrado em
vermelho): “t” para tálus e “p” para planície. Eqüidistância das curvas de nível: 5 m
Segundo Leeder (1992), leques aluviais são depósitos localizados,

normalmente de pequena escala (no máximo quilométrica). Constituem
sedimentos formados por deposição a partir de drenagens vindas de bacias a
montante em outra bacia maior a jusante. Já para Ethridge (1985), os leques
aluviais constituem uma forma distinta de sistema geomorfológico e
deposicional característica de áreas de piedmonte. Apresentam geralmente
forma de cone, onde cursos d’água emergem de uma área mais alta em
direção a um baixo adjacente. Conforme Kukal (1971), leques aluviais
compreendem depósitos de cursos d’água cuja superfície forma um
segmento de um cone que se irradia por inclinação encosta abaixo, a partir
do ponto onde o curso d’água emerge da área montanhosa (ápice na boca do
vale). O ápice corresponde ao ponto mais alto de um leque aluvial, onde o
curso d’água emerge do fronte montanhoso. No caso em estudo, o ápice
encontra-se a montante da planície, NW da área (Figura 2.6). O padrão de
19
fluxo é radial a partir da fonte, com limitações laterais muitas vezes balizadas
pelo relevo local, como é o caso do estudo presente, a W da planície aluvial
(baixas encostas onde ocorrem os folhelhos e siltitos da Formação Serra
Alta).
Extremo NW
Figura 2.6 - Visão parcial da área sondada (delimitada em vermelho) em primeiro plano,
mostrando logo à montante do extremo NW as cabeceiras do canal principal do leque aluvial, e
ao fundo os contrafortes da Serra Geral.
Os leques aluviais se desenvolvem onde o curso d’água e fluxo de

massa emergem dos confins de um vale ou garganta (no caso, a NW da
área, conforme mostra a Figura 2.6), em direção a uma bacia (Reading,
1986). A perda de confinamento permite expansão horizontal do fluxo,
desaceleração e deposição parcial ou total da carga de sedimentos. Essa
emergência do vale numa bacia é comumente associada com redução de
gradiente, e isto favorece a desaceleração e deposição. No caso presente, tal
fenômeno é bem demarcado pela formação de banhados e áreas mal
drenadas em geral, favorecendo o atual uso dos terrenos para plantações de
arroz (Figura 2.6).
O ambiente mais importante de uma deposição em leque é o de bacias
sedimentares limitadas por falhas, onde movimentos de falhas periódicos
permitem subsidência e daí preservação dos sedimentos aluviais (sistemas
de graben/semigrabens e horsts). No caso presente, a conformação do vale
20
onde se deposita a argila pesquisada em sistema de grabens é evidente a

partir da observação da Figura 2.5.
A deposição de um leque aluvial é causada principalmente por
decréscimo em profundidade e velocidade de fluxo (Kukal, 1971). Os
sedimentos de leques aluviais podem às vezes aparecer como sedimentos
de tálus os quais se originam de forças gravitacionais. A forma das
partículas/fragmentos nestes casos geralmente é irregular.
Os leques aluviais mostram, principalmente em ambientes mais
úmidos, uma mudança gradual de um aluvião mais grosseiro, com formação
de pequenas ilhas e meandros abandonados em fácies mais proximais,
passando a um aluvião meandrante fino, até planícies de inundação mais
distais. Usualmente há um decréscimo para jusante na granulometria média.
No caso presente, toda essa transição parece ocorrer muito rapidamente, em
pequena escala. A deposição é argilosa desde o início, em função da
composição pelítica predominante das rochas-fonte. As nascentes da
drenagem principal NW-SE, posicionadas a NW da área, cortam os folhelhos
e siltitos pretos Serra Alta na transição para siltitos e argilitos
(secundariamente arenitos finos) da base da Formação Rio do Rasto.
A coalescência de diferentes fontes de sedimentos de leques é
comum, como no caso presente, da planície do leque principal com o tálus e
seus canais secundários. A interdigitação é igualmente comum. Segundo
Reading (1986), a coalescência lateral é especialmente comum em relevos
associados com falhas ativas. No depósito em estudo, existe uma
transição/interdigitação entre a parte mais distal do leque ligado à drenagem
principal à W (domínio planície), e a porção mais distal do tálus. Será visto no
capítulo seguinte que essa zona de transição, com características em comum
para os dois subdomínios, mereceu um tratamento à parte para os trabalhos
de estimativa. A Figura 2.7 ilustra esquematicamente a geometria do depósito
em seus diferentes subdomínios. Note a presença de lentes de limonita no
tálus, e a ocorrência da argila aluvial sotoposta ao depósito de tálus
propriamente dito, ainda neste subdomínio.
Nos subambientes de sopé de montanha, e canal imediatamente a
jusante, ocorrem acumulações localizadas de material como seixos
pobremente classificados, angulares e grosseiros (Leeder, 1992). A
21
estratificação interna é pobre. A Figura 2.8 ilustra o que pode ser observado
no NE da área pesquisada, no interior do subdomínio tálus, em relação a
feições acima citadas, com imbricamento de seixos em meio à massa
argilosa, principalmente de folhelhos da Formação Serra Alta, e
eventualmente de arenitos e basaltos das formações sobrepostas.
N Tálus
W E
*
Planície
N 550 m S
limonita
tálus
planície 10 m
Tálus
Talus Solo Orgânico
Substrato rochoso: folhelho
Argila Aluvial
W 775 m
E
tálus
planície
4m
Figura 2.7 - Seções verticais esquemáticas cortando os dois subdomínios geológicos da área
pesquisada (locadas no mapa acima em vermelho; asterisco azul: local da foto da Figura 2.8).
Nos tálus, ocorrem fluxos de detritos com movimentações de altas

viscosidades. Para tais ocorrência são necessárias rochas-fonte cujo
intemperismo resulta em finos detritos incluindo argila, e encostas inclinadas
permitindo rápido fluxo e erosão. Em função da alta velocidade não há
classificação no momento da desaceleração e deposição (Reading, 1986).
Segundo a análise de Easterbrook (1969), desmoronamentos ocorrem
onde blocos individuais de rocha que foram desmembrados a partir da
rocha-mãe, são transportados por gravidade encosta abaixo (rockfalls). Desta
forma, se produz um depósito de tálus, i.e. uma acumulação de fragmentos
22
erráticos na base de encostas íngremes. Encostas de tálus são encontradas

em grande abundância em regiões montanhosas onde escarpas são comuns.
A situação geomorfológica do tálus em relação à planície aluvial e aos morros
e encostas circundantes pode ser visualizada sob diversos ângulos nas fotos
das Figuras 2.5, 2.9 e 2.10.
1.5 m
depósito
de tálus
________
argila
aluvial
Figura 2.8 - Afloramento em corte vertical mostrando depósito de tálus com seixos imbricados
jazendo sobre a argila aluvial (local da foto indicado na Figura 2.7).
tálus
planície
Figura 2.9 - Visão da área de SW para N, mostrando aproximadamente os limites do depósito de

tálus no sopé do morro a N da área.
23
A lenticularização junto aos canais é uma feição comum, com

formação de lentes mais arenosas. No caso presente, isso é patente na parte
W da área, junto à drenagem principal NW-SE, aumentando a variabilidade
lateral local das variáveis. Para Kukal (1971), nas seções ao longo de leques
aluviais, camadas depositadas por processos fluviais são comumente
alternadas com fluxos de lama e detritos intermediários. A estratigrafia interna
é controlada por mudanças proximais a distais nos processos deposicionais,
e por mudanças cíclicas oriundas dos mecanismos de
gradação/retrabalhamento (Leeder, 1992). No caso do depósito pesquisado,
o retrabalhamento de canais através de erosão e deposição é comum,
principalmente no tálus, por se tratar em épocas mais atuais de uma região
sujeita a fortes e repentinas chuvas.
Segundo Reading (1986), mapas de distribuição de depósitos atuais
em leques recentes indicam uma alta variabilidade e imprevisibilidade,
mesmo entre leques adjacentes. A dificuldade de análise do mecanismo dos
processos em detalhe, juntamente com o constante deslocamento do local de
deposição sobre a superfícies do leque, levam à uma interdigitação
essencialmente aleatória de planícies de inundação, fluxo de lama, depósitos
de canal, etc. Incisão e segmentação de leques podem levar a seqüências
bastante irregulares em termos de distribuição vertical de granulometria. Tais
feições são conspícuas nos domínios da área estudada, particularmente nos
limites do subdomínio tálus, com fortes implicações na análise geoestatística
subseqüente.
Além de falhas e fraturas, especialmente um falhamento WNW-ESE a
N da área que propiciou a formação da escarpa nesta direção e a
conseqüente formação de tálus por sedimentos transportados por gravidade
(Figura 2.9), alternâncias climáticas devem ter agido na conformação atual do
depósito como um todo. Existe um consenso na literatura científica
relacionada que razões climáticas e/ou tectônicas interagem na conformação
final do leque. Por exemplo, para Ethridge (1985) há a ação conjugada de
controles extrabaciais como reativação de margem falhada de bacia, e de
controles autocíclicos como eventos de chuva e inundação. Porém, a
24
influência da evolução de paleoclimas e inter-relação com atividades

tectônicas não foram aqui investigados por fugirem ao escopo deste trabalho.
Os dois subdomínios geológicos, planície e tálus, foram usados para
definir os dois correspondentes subdomínios geoestatísticos, e como tal
serão tratados individualmente daqui por diante. De fato, há uma transição
entre ambos os domínios, merecendo um tratamento em separado nas
estimativas a serem abordadas no capítulo seguinte. A Figura 2.10 mostra o
visível contraste geomorfológico que existe entre os dois domínios.
p
t
Figura 2.10 - Vista da área de N para S, com limites aproximados dos dois domínios geológicos
(« t » = tálus; « p » = planície).
Além do sistema estrutural dominante NW-SE que condicionou a forma

do canal de drenagem no W da área, e por extensão toda a sedimentação da
planície resultante, canais subordinados orientados NNE-SSW a N-S
interceptam a parte N do depósito (Figuras 2.11 e 2.12). A devida
compreensão do papel da sedimentação e das estruturas tectônicas é
fundamental na avaliação geoestatística subseqüente.
A argila aluvial ocorrente na planície é predominantemente quartzo-
caulinítica, conforme mostram as análises contidas nas Tabelas 2.1 e 2.2,
cujo local de amostragem está indicado na Figura 2.2. Essas análises,
realizadas em amostra coletada a partir de lote homogeneizado para lavra
experimental (a ser comentada no final desse item), fornecem apenas uma
idéia da composição química e mineralógica da argila ocorrente nesta porção
mais central do depósito. De fato as características da argila de efetivo
25
interesse no presente caso são seus parâmetros industriais, conforme será

visto no próximo item. O substrato rochoso a esta argila compreende um
follhelho preto e físsil da Formação Serra Alta.
Tabela 2.1 - Análise mineralógica por difratometria de raios-X de argila da planície.
Fases Identificadas Teor (%)

Caulinita 22,0
Quartzo 65,0
Feldpato Potássico 7,0
Magnetita 1,7
Acessórios* 4,3
*fases não identificadas pela difração de raios-X.
Tabela 2.2 - Análise química de argila da planície, por fluorescência de raios-X.
Óxidos Teor (%)

SiO2 80,36
Al2O3 10,43
Fe2O3 1,68
CaO 0,12
Na2O 0,13
K2O 1,23
MnO 0,01
TiO2 0,95
MgO 0,72
P2O5 0,02
Perda ao Fogo 4,35
Caulinita, o argilo-mineral identificado, é mais abundante à superfície

em climas temperados úmidos. Em depósitos mais profundos, montmorilonita
e ilita predominam.
Um procedimento largamente utilizado em estudos qualitatitivos de
recursos naturais é a análise de fotografias aéreas da região de estudo. A
partir de pares de fotos cobrindo uma região de interesse é possível através
de fotointerpretação por estereoscopia delinear elementos marcantes de
relevo, vegetação, drenagens, geologia, estruturas tectônicas, etc. No
presente caso, fotointerpretou-se a região de interesse para argila cerâmica
(área sondada e arredores).
26
A Figura 2.11 mostra uma montagem feita da superposição entre a

base de fotografia aérea utilizada com a fotointerpretação realizada (escala
original das fotos: 1:25.000). A fotografia em si permite a observação de
características gerais do terreno, destacadas para a área efetivamente
pesquisada e arredores pela fotointerpretação.
2 km
Figura 2.11 - Fotografia aérea da região da área de estudo e fotointerpretação.
Pode-se notar que na pequena bacia hidrográfica presente e atuante

na sedimentação da argila pesquisada, as drenagens estão condicionadas
27
em maior ou menor grau às estruturas tectônicas maiores existentes,

predominantemente na direção NW-SE. As estruturas também condicionam a
geomorfologia local, além da composição pelítica das litologias, as quais
emprestam um caráter arredondado aos morrotes mais baixos. A quebra de
relevo entre os morros e a planície resulta na formação de pequenas regiões
de pouco escoamento d’água como banhados, feições facilmente
identificáveis nas fotos.
Um detalhamento das feições naturais do terreno pôde ser obtido
através da fotointerpretação de ampliações das fotos para a escala 1:10.000,
conforme pode ser visto na Figura 2.12.
Figura 2.12 - Fotointerpretação de detalhe.

28
A comparação das duas últimas figuras citadas exemplifica o impacto

da escala adotada na observação da incidência de estruturas em uma ou em
outra direção, bem como na associação com as drenagens. A visível
predominância de estruturas maiores, encaixando as drenagens na direção
NW-SE a NNW-SSE, observável na Figura 2.11, mostra-se mais variável em
escala de detalhe, particularmente nos limites da área (Figura 2.12). Isto tem
influências diretas nas estruturas de pequena escala nos variogramas, no
sentido de não haver uma anisotropia muito definida em pequena escala.
A Figura 2.13 mostra um corte vertical de uma pequena extração
experimental de argila aproximadamente no centro da área pesquisada, na
transição entre os limites do tálus e da planície. Pode-se observar a
contaminação por vezes ocorrente na argila, correspondente a incrustações
de limonita.
limonita
~1m
argila
cerâmica
substrato
rochoso
(folhelho)
Figura 2.13 - Corte aberto para extração experimental de argila aproximadamente no centro da
área pesquisada.
29
2.3 Aspectos Cerâmicos Envolvidos
Os minerais industriais, hoje em dia, estão presentes em praticamente

todos os ramos da moderna sociedade industrializada. As argilas utilizadas
como matérias-primas na fabricação de produtos cerâmicos incluem-se
neste grupo.
Um produto cerâmico é um sólido composto de materiais que foram
sujeitos a calor acima de 468,30C (Lefond, 1983 p.33). As matérias-primas,
que são usadas juntas em composição ou isoladamente em alguns casos,
são selecionadas e utilizadas por várias razões, tais como: facilidade de
fabricação, ajuda ao processamento, fornecimento de propriedades
interessantes após processamento, inexistente ou controlável grau de toxidez
ou risco, disponibilidade, custo, etc. Muitas funções fundamentais devem ser
cumpridas em cada produto cerâmico, além de funções secundárias que são
desejáveis em produtos especificados.
As informações discutidas no texto a seguir versando sobre aspectos
cerâmicos relacionados à essa dissertação foram em sua maior parte
extraídas de Barba et al. (1997). Neste trabalho, podem ser encontrados
maiores detalhes do processamento cerâmico, transformações sofridas pelas
matérias-primas, e seus papéis nos processos de fabricação de
revestimentos cerâmicos.
Os pavimentos e revestimentos cerâmicos são peças constituídas
normalmente por um suporte de natureza argilosa e porosidade variável, com
ou sem recobrimento de natureza essencialmente vítrea. Atualmente, existe
uma ampla diversidade tanto nos formas como características técnicas e
decorativas dos produtos cerâmicos.
Nos revestimentos cerâmicos como azulejos, os suportes são porosos,
favorecendo a aderência à parede e uma maior estabilidade dimensional. Por
esta razão, a absorção d’água e a retração linear após queima, atributos de
qualidade a serem investigados na análise geoestatística a seguir, são tão
importantes. Já nos pavimentos cerâmicos (pisos), a porosidade é
caracteristicamente baixa (baixa absorção d’água).
Os pavimentos cerâmicos devem necessariamente apresentar alta
resistência mecânica (obtida com baixa porosidade). A redução de
30
porosidade geralmente vai acompanhada de uma alta retração de queima, de

forma inversamente proporcional. Já para os azulejos, destinação da matéria-
prima em estudo, é necessária uma alta estabilidade dimensional, o que é
obtido mediante o uso de uma massa com baixa retração de queima (a qual
geralmente está associada à uma alta porosidade), favorecendo uma maior
facilidade na colocação.
Entre os revestimentos cerâmicos encontram-se os denominados
revestimentos porosos, tipo de produto que se pretende obter da argila aqui
avaliada. No processamento da matéria-prima utilizada, a conformação é
feita exclusivamente por prensagem, devido à alta estabilidade bidimensional
requerida para este tipo de produtos.
A fabricação de pavimentos e revestimentos cerâmicos tem sofrido
mudanças consideráveis e contínuas nos últimos anos, resultando em uma
maior automatização do processo e uma melhora de qualidade do produto.
As composições empregadas têm seguido uma evolução paralela a estas
mudanças tecnológicas, adaptando-se a ciclos de queima rápidos e à
fabricação para queima simultânea do esmalte e suporte. Por outro lado, as
maiores exigências do mercado têm induzido à utilização de matérias-primas
de maior qualidade e grau de elaboração.
A fabricação deste tipo de produtos cerâmicos tem uma grande
importância na economia do Estado de Santa Catarina e mesmo para o país,
pela grande exportação envolvida no caso do ramo da chamada « cerâmica
branca ». Revestimentos cerâmicos deste tipo possuem cor de queima mais
clara, diferenciando-se da cerâmica vermelha, menos nobre, envolvendo
pisos, tijolos, telhas e ladrilhos.
Os principais fatores requeridos para a localização de uma indústria
cerâmica de porte, os quais o pólo industrial de Criciúma preenche
integralmente, são:
• proximidade dos jazimentos de argila;

• tradição artesanal cerâmica;
• disponibilidade de mão de obra qualificada.
31
No processamento industrial para fabricação de revestimentos

cerâmicos visto como um todo, várias etapas são envolvidas, desde o
fornecimento de matérias-primas até o acabamento do produto final a ser
comercializado no mercado. No tocante ao papel desempenhado pelas
matérias-primas, no caso presente a argila correspondente ao minério em
estudo, simplificadamente pode-se resumir essas etapas em:
(i) preparação das massas cerâmicas (dosificação das diferentes

matérias-primas): envolve a moagem;
(ii) conformação das peças: pode ser feita por prensagem, extrusão
ou colagem, sendo a primeira mais utilizada;
(iii) secagem;
(iv) esmaltação (opcional): dependendo se for monoqueima ou
biqueima, a seqüência das etapas de esmaltação e queima será
distinta.
(v) queima: rápida ou lenta, monoqueima ou biqueima;
(vi) produto acabado.
Como massa cerâmica, pode-se entender uma mistura de matérias-

primas em diferentes proporções, sofrendo diversas transformações físico-
químicas até alcançar as propriedades requeridas pelo produto acabado. Por
outro lado, podem ser classificados como matérias-primas cerâmicas os
minerais ou acumulações de rochas com as quais se podem fabricar
produtos cerâmicos, em seu estado natural ou com tratamento prévio. Nas
indústrias cerâmicas do Sul de Santa Catarina, normalmente os únicos
tratamentos prévios aplicados são a homogeneização e secagem in natura.
A composição da massa deve ser formulada de acordo com as
características da peça cerâmica desejada e do processo de fabricação a
empregar. Uma boa matéria-prima deve apresentar homogeneidade
suficiente in natura. Por isso o estudo da variabilidade de sua qualidade ao
longo do depósito é vital, sendo abordada nesta dissertação através de
simulações estocásticas (Capítulo 4).
Vários tipos de substâncias minerais são utilizadas nas formulações
cerâmicas, tais como: argilas, siltes, areias, caulim, quartzo, feldspato, talco,
32
carbonatos e filitos, entre outras. Cada uma dessa matérias-primas

desempenha funções distintas, sendo utilizada em proporções variáveis,
dependendo dos processo específicos de cada empresa, o tipo de produto
final almejado e a disponibilidade/custo das matérias-primas existentes no
mercado local. As principais matérias-primas cerâmicas basicamente
classificam-se em plásticas (e.g. caulim e argilas) e não-plásticas (e.g.
quartzo e feldspato).
As argilas, em todas as suas variações encontradas na natureza,
desempenham um papel crucial nos processamentos cerâmicos. Em
formulações cerâmicas para revestimentos, a argila é matéria-prima chave,
tendo em estado cru uma hidroplasticidade derivada de seu tamanho coloidal
de partícula e sua grande afinidade com água. Por outro lado, areia silicosa é
um formador de vidro ou carga não-plástica. Contaminantes naturais, como
óxido de ferro por exemplo, adulteram muitas argilas e algumas areias,
agindo como fundentes e reduzindo o ponto de fusão dos componentes
minerais, ao mesmo tempo em que age como pigmento vermelho.
Argila representa um termo amplo e genérico aplicado para toda
substância mineral de granulometria fina, que manifesta um comportamento
plástico quando se mescla com uma quantidade limitada de água. As argilas
são compostas predominantemente por materiais argilosos, essencialmente
silicatos aluminosos hidratados. Os argilo-minerais raramente são puros, e as
impurezas nas argilas muitas vezes conferem ao material características
desejáveis. Um dos componentes mais freqüentes é a sílica, geralmente na
forma de quartzo (como é o caso presente, onde quantidades apreciáveis de
quartzo são encontradas na composição da argila caulinítica). Muitos dos
argilo-minerais também contém quantidades apreciáveis de ferro, álcalis e
elementos alcalinos terrosos.
Segundo Lefond (1983, p.585), argila é o nome dado ao material
coloidal, hidratado e inorgânico, encontrado abundantemente na crosta
terrestre. Corresponde a substâncias originadas pela desintegração, por
agentes intempéricos, de rochas aluminosilicáticas e materiais óxidos
similares da crosta terrestre levando à formação de vários tipos de argila (no
caso presente, resultante de intemperismo e transporte de rochas
originalmente já argilosas).
33
Como termo granulométrico, argila é usada para a categoria que inclui

as menores partículas. O tamanho máximo de partículas é definido
diferentemente em várias escalas granulométricas. A escala largamente
utilizada de Wentworth define argila como o material mais fino que
aproximadamente 4 micrômetros, ou 1/256 mm (Lefond, 1983 p.585).
Alguns pesquisadores costumam utilizar o termo argila para qualquer
material argiloso, de granulometria fina, natural e terroso. Quando usado
como tal, o termo inclui argila, folhelho ou argilito/siltito, e alguns solos
argilosos. As argilas estão entre os minerais industriais líderes tanto em
tonelagem produzida quanto em valor total.
Normalmente, a qualidade da argila é medida por suas características
nos vários processos de fabricação listados acima, em especial nas
características que conferem às peças cerâmicas após serem submetidas
aos processos de queima. Por essa razão, as empresas de mineração
ligadas aos grupos cerâmicos tais como o Grupo Eliane (Cocal do Sul/SC),
testam as amostras coletadas do material ocorrente em campo (a partir de
furos de trado/sonda rotativa, afloramentos ou mesmo poços), em condições
semelhantes às realmente encontradas nas fábricas, porém em escala de
laboratório. O objetivo da realização dos ensaios cerâmicos é verificar a
qualidade das argilas testadas, guiando os trabalhos de pesquisa e extração
mineral. Os procedimentos laboratoriais utilizados para as análises de
amostras de argila, objeto de pesquisa do presente trabalho, podem ser
vistos no Apêndice B.
Para as indústrias cerâmicas localizadas no pólo cerâmico de
Criciúma/SC, especialmente o Grupo Eliane, detentor dos direitos minerários
da área de argila em estudo, os principais parâmetros de qualidade
inspecionados nas matérias-primas em teste normalmente são os seguintes
(Geremias, 2001, comunicação pessoal):
• Pré-queima (amostra in natura): densidade aparente (diretamente

proporcional ao empacotamento), cor, umidade, granulometria,
composição química/mineralógica.
34
• Pós-queima: retração linear, absorção d’água, cor de queima,

coração negro (monoqueima), dilatação térmica (biqueima).
A fundamentação da cerâmica e sua importância econômica estão

associadas à uma modificação completa, após queima, das propriedades das
massas previamente moldadas, resultando em materiais duros, resistentes à
água e aos produtos químicos, e podendo apresentar grandes variações em
determinadas características. Assim, as propriedades apresentadas pelas
peças cerâmicas pós-queima são normalmente mais fundamentais que as
pré-queima, norteando os trabalhos de pesquisa e lavra relacionados a este
tipo de material. As propriedades tecnológicas mais importantes são:
• retração linear
• absorção d’água
• coeficiente de dilatação
• cor de queima
A combinação dessas diferentes características permite classificar as

argilas/matérias-primas cerâmicas em diferentes usos (diferentes tipos de
minério), ou, dependendo do caso, descartá-la para fins cerâmicos, passando
assim a ser enquadrada como estéril. Portanto, como pode ser visto, a argila
enquanto matéria-prima cerâmica corresponde a um bem mineral
pertencente ao campo dos minerais industriais.
Para a jazida presentemente em consideração, as seguintes
propriedades cerâmicas pós-queima foram testadas em laboratório a partir
das amostras de sondagem a trado: (i) absorção d água e (ii) retração linear.
Absorção d’água é o parâmetro utilizado para medir a porosidade
aberta e avaliar a fundência do material. É definido como o ganho em peso,
expresso em percentual, que experimentam as peças ao introduzi-las em
água em ebulição durante um determinado período de tempo (geralmente 2
horas). Assim,
AA (%) = (Ma/Ms)*100 (2.1)

35
onde: AA = absorção d’água ; Ma = massa de água absorvida e

Ms = massa do sólido seco.
O comportamento do material durante a queima se avalia mediante a
variação de sua retração linear com a temperatura. A retração linear, RL, é
definida como:
RL (%) = [(Li-Lf)/Li]*100 (2.2)
onde: RL = retração linear ; Li = comprimento inicial da peça a cru

e Lf = comprimento final pós-queima.
No caso em estudo, essas propriedades foram medidas em laboratório
para as amostras oriundas da sondagem a trado após sua submissão a reais
condições de processamento cerâmico: 50 minutos de queima a 1115°C. As
mudanças sofridas por uma composição cerâmica com argila a temperaturas
superiores a 1000°C são permanentes e irreversíveis. Essas mudanças são
físicas e químicas, envolvendo forma, tamanho, estrutura e composição.
Para argilas deste tipo, tem-se observado que a proporção entre argila
e areia influencia na qualidade do material para aplicação cerâmica. A fração
areia nos depósitos da região normalmente corresponde predominantemente
à composição de quartzo, o qual é mais refratário nos processamentos
cerâmicos. Em geral, após queima a altas temperaturas, quanto mais argiloso
for o material maior é sua retração linear, enquanto que a absorção d’água
aumenta à medida que a fração mais quartzosa aumenta.
Existem vários tipos de classificação industrial de argila cerâmica.
Além da divisão básica entre cerâmicas branca e vermelha, já discutida, tais
classificações envolvem sempre especificações industriais, que variam
conforme a companhia fabricante e o produto final desejado. Dentre as
diversas classificações industriais existentes para placas cerâmicas para
revestimentos, as de interesse presente em relação aos atributos medidos
em laboratório dependem do tipo de tratamento térmico. Conforme o produto,
a queima do suporte e esmalte pode ser simultânea (monoqueima e
monoporosa) ou consecutiva (biqueima).
36
Para argilas tipo monoqueima e monoporosa, como a placa passa

apenas uma vez no forno, queimando massa e esmalte juntos, produtos mais
nobres são obtidos, em decorrência da maior solidariedade de
comportamento entre base e esmalte.
A argila tipo monoqueima é normalmente de cor de queima escura,
sendo principalmente utilizada em pisos. Quando comparado à argila
monoporosa, apresenta um grau de compactação maior; o esmalte utilizado é
menos permeável. A absorção d’água pós-queima é baixa, normalmente
menor que 5%.
A argila tipo monoporosa apresenta cor de queima clara, além da
curva de queima distinta, resultando em uma maior absorção d’água (maior
porosidade), menor retração linear e um maior brilho no produto final,
decorrente do tipo de esmalte brilhante utilizado. O grau de compactação é
menor que na argila monoqueima. Atualmente sua utilização principal é na
fabricação de azulejos.
Já para argilas tipo biqueima, a placa passa duas vezes no forno: a
primeira para queimar a base logo após a conformação e depois para
sinterizar o esmalte. É mais destinada a revestimentos de parede (tipo
azulejo).
Para a jazida em apreço, o interesse do Grupo Eliane centra-se na
obtenção de matérias-primas utilizáveis como argila monoporosa (mais
nobre) e argila biqueima. Para enquadrar-se nestes padrões de qualidade, a
argila deve preencher determinados requisitos industriais em relação às suas
características pós-queima, especialmente absorção d’água, retração linear e
cor de queima.
A cor de queima é um parâmetro mais subjetivo e sujeito à mudanças
com o tempo conforme as mudanças do mercado consumidor dos produtos
finais. Em geral, para tais tipos de argila, especialmente a argila monoporosa,
cores mais claras em tons de branco ou bege claro são preferidas; enquanto
que para a argila biqueima cores marrom escuras são aceitas.
A cor de queima não se mostrou uma variável crítica para o depósito
em estudo, conforme abordado em Stangler (1999). Por essa razão, não foi
incluída como variável de qualidade no estudo geoestatístico desenvolvido,
assumindo-se que tal parâmetro seja aceitável para a maior parte das
37
amostras, especialmente em se tratando de argilas tipo biqueima, de

ocorrência mais expressiva na área. Para uma argila quartzo-caulinítica
(bastante silicosa) como a ocorrente na área em estudo (Tabelas 2.1 e 2.1), a
cor de queima geralmente tende a ser mais clara, o que se confirma nesta
área, onde mais de 90% das amostras apresentam cor clara (bege) pós-
queima (Stangler, 1999). As amostras de cor rosa ou vermelho concentram-
se preferencialmente no tálus.
A Tabela 2.3 sumariza os limites aceitos para cada tipo de argila
cerâmica, de acordo com os parâmetros de qualidade definidos acima. Para
classificação em um dos dois tipos, o preenchimento dos requisitos deve ser
simultâneo para as duas variáveis. No caso do material ser enquadrável em
distintos tipos conforme a propriedade considerada, sua classificação é como
biqueima. Já para o caso do enquadramento em um dos dois tipos apenas
para uma propriedade, o material passa a ser considerado como estéril.
Tabela 2.3 - Especificações para os dois tipos de argila cerâmica.

Absorção d’água (%) Retração Linear (%)
Argila tipo Monoporosa 10 - 15 % 0 - 1,5 %
Argila tipo Biqueima 10 - 20 % 0 - 2,5 %
É importantante ter em mente que a mistura de materiais é muito

comum na mineração ligada a matérias-primas cerâmicas deste tipo.
Normalmente, este constitui o único tratamento (homogeneização) dado ao
material antes de seguir para o processamento cerâmico propriamente dito.
Ou seja, no estudo de caso presente materiais com características na
transição para um ou outro tipo podem ser misturados com um ou com outro
destes, dependendo das necessidades do momento.
Assim, os parâmetros de qualidade absorção d’água e retração linear
correspondem no presente estudo geoestatístico às variáveis de qualidade a
serem avaliadas. Juntamente com a espessura do horizonte argiloso,
38
constituirão a base para a classificação e quantificação de recursos/reservas

e incertezas associadas, apresentadas nos capítulos 3 e 4 dessa dissertação.
Capítulo 3
Definição dos Recursos Geológicos
Informações industriais e geológicas, tais como as discorridas no

capítulo anterior, devem embasar qualitativamente avaliações de reservas de
matérias-primas cerâmicas. Entretanto, para o início do processo de tomada
de decisões mineiras concernentes a depósitos minerais deste tipo, o ponto
de partida é a quantificação dos recursos geológicos existentes.
No presente capítulo são avaliados e classificados os recursos
geológicos (in situ) de argila presentes na área em estudo, através de
estimativas por método geoestatístico (krigagem em blocos).
Na parte inicial, são brevemente revisados conceitos e fundamentos
teóricos básicos da geoestatística, para a devida compreensão da
metodologia aplicada no restante desta dissertação. O banco de dados
propriamente dito em estudo é então a seguir introduzido. Características
topográficas são apresentadas em diferentes escalas, seguidas da análise
exploratória das variáveis de interesse (estatísticas básicas e distribuição
geográfica dos valores amostrais). Os modelos de continuidade espacial,
necessários às estimativas e simulações subseqüentes, são logo após
ajustados através de variografia.
Na parte final do capítulo são aplicados tais modelos variográficos
utilizando técnicas de geoestatística linear, obtendo através de krigagem
ordinária valores estimados para blocos de lavra. Com isso a argila cerâmica
ocorrente é classificada numa base bloco-a-bloco, nos diferentes
subdomínios, e os recursos geológicos existentes são assim quantificados.
40
3.1 Considerações Preliminares
De acordo com Olea (1991 p.31), o termo “geoestatística” tem sido

usado com conotações diversas e conflitantes. Por um lado, compreende o
estudo de fenômenos que variam no espaço (e/ou tempo, conforme Deutsch
& Journel, 1998 p.9). Por outro, numa acepção mais ampla de domínio da
geologia matemática ou “geomatemática”, compreende a aplicação de
métodos estatísticos para uso nas ciências da terra, em especial na geologia.
A aplicação de métodos geoestatísticos na predição de teores/atributos
geológicos e mineiros, bem como de reservas minerais diz respeito ao senso
empregado na primeira definição. A geoestatística inclui ferramentas
estatísticas que permitem o entendimento e o modelamento de variabilidade
espacial (Deutsch & Journel, 1998 p.9).
A geoestatística assim entendida apareceu nos anos 50, com os
trabalhos de Daniel Krige (1951) de avaliação de minas de ouro na África do
Sul. Seu desenvolvimento teórico foi possível graças aos estudos de George
Matheron no início da década de 60, que introduziu a “Teoria das Variáveis
Regionalizadas” e conceitos como variograma e krigagem. Segundo
Matheron (em Andriotti, 1988), a geoestatística compreende a aplicação do
formalismo das funções aleatórias ao reconhecimento e à estimativa de
fenômenos naturais.
O conceito de variável regionalizada engloba simultanemente uma
componente aleatória e uma componente estruturada dos fenômenos
medidos e geoposicionados. É aleatório porque tais fenômenos não podem
ser deterministicamente estimados em um dado local não amostrado, porém
estruturam-se de forma probabilística, seguindo determinadas leis de
continuidade espacial, onde os valores amostrais não são independentes
entre si e de sua localização geográfica, como na abordagem estatística
básica.
Variáveis aleatórias podem apresentar uma série de valores possíveis
de acordo com alguma distribuição probabilística, por sua vez dependente de
sua localização no domínio amostrado e da quantidade de informação
disponível (Deutsch & Journel, 1998 p.10). Podem ser contínuas, como as
41
três variáveis de interesse no presente estudo de caso, ou categóricas, como

tipo de rocha ou solo, por exemplo.
Uma função aleatória compreende uma série de variáveis aleatórias de
um determinado atributo, definidas no interior de um domínio de interesse
(Deutsch & Journel, 1998 p.9-10). Em pontos não amostrados, valores
desconhecidos podem ser previstos se forem considerados como realizações
(possíveis valores) de sua variável aleatória correspondente. A família destas
variáveis aleatórias é definida como função aleatória, ou ainda processo
estocástico, ou simplesmente campo aleatório (Armstrong, 1998 p.16-17).
Uma função aleatória é caracterizada pela distribuição conjunta de qualquer
série de variáveis Z(x1), Z(x2), … Z(xk), definidas nos pontos x1, x2, … xk. Para
esse tipo de modelos, é necessário assumir algumas premissas sobre as
características destas distribuições, a fim de aplicar tais modelos em métodos
de estimativa (krigagem) ou simulação estocástica, conforme será abordado
nesta dissertação.
O embasamento téorico relacionado está apresentado amplamente por
vários autores na literatura geoestatística básica, entre os quais: David
(1977), Journel & Huijbregts (1978), Clark (1979), Isaaks & Srivastava (1989),
Goovaerts (1997) e Armstrong (1998). A teoria de variáveis regionalizadas,
base da geoestatística como ciência e originalmente proposta por Matheron
(1963), é amplamente discutida em Journel & Huijbregts (1978, Cap.I). A
descrição espacial de variáveis e a modelização da continuidade espacial e
funções relacionadas, essencial a qualquer estudo geoestatístico, é abordada
de forma bastante ampla em Isaaks & Srivastava (1989, Cap.4). As
diferenças básicas entre modelamentos determinísticos e probabilísticos e as
relações dos últimos com modelos de funções aleatórias, incorporando o
conceito de incertezas em predições, são discutidas por Goovaerts (1997,
Cap.3). Critérios de revisão dos dados e escolha das variáveis regionalizadas
são abordados em Journel & Huijbregts (1978 p.196 a 201).
Métodos geoestatísticos consagrados, aplicados ao longo dessa
dissertação, como a krigagem ordinária para estimativas de recursos
(presente capítulo), e simulações seqüenciais Gaussianas para o estudo de
variabilidade de reservas recuperáveis (Capítulo 4), incluem-se no conjunto
de métodos geoestatísticos construídos sob a premissa da estacionaridade
42
(“geoestatística estacionária”), comuns em aplicações mineiras como a

presente. Num senso mais restrito, na estatística tradicional uma variável é
assumida como estacionária se sua distribuição em todos os seus momentos
não varia sob translação (Armstrong, 1998 p.18). Desta forma, uma função
aleatória é estacionária, e assim mantém-se ao longo do domínio de
interesse, se para qualquer incremento de distância h a distribuição de Z(x1),
Z(x2), … Z(xk) é a mesma que a de Z(x1+h), Z(x2+h), …, Z(xk+h), tornando a
inferência estatística possível numa simples realização.
Porém, para aplicações geoestatísticas propriamente ditas,
especialmente no campo mineiro, a invariabilidade dos momentos é
impossível de ser verificada a contento, a partir dos geralmente limitados
dados experimentais. Assim, são usualmente requeridos que apenas os dois
primeiros momentos (média e covariância) sejam constantes, caracterizando
o que se conhece por “fraca” estacionaridade ou estacionaridade de 2a ordem
(Armstrong, 1998 p.18). Em suma, o valor esperado (média) da variável
aleatória Z(x) precisa ser constante para todos os pontos x, conforme:
E[Z(x)] = m(x) = m (3.1)
Além disso, a função covariância entre dois pontos x e x+h (ponto separado
de x a uma distância correspondente ao vetor h, de magnitude e direção
definidas) depende do vetor h mas não do valor no ponto x propriamente dito,
conforme:
E[Z(x) Z(x+h)] - m2 = C(h) (3.2)
Assim sendo, a variância dos dados é, por construção, igual ao valor

esperado da covariância numa distância 0: C(0).
Olea (1999, p.74) define que os dados em si não podem ser
considerados como estacionários; de fato a hipótese de estacionaridade é
que é assumida no modelo. Como essa premissa é bastante forte e difícil de
ser verificada integralmente, será visto mais adiante que para métodos de
krigagem ordinária e de simulação seqüencial Gaussiana aqui aplicados, uma
estacionaridade local pode perfeitamente ser assumida nos modelos
43
empregados, relaxando ainda mais a exigência de estacionaridade global de

2a ordem para aplicação de tais métodos.
A observação de respeito à premissa da estacionaridade de 2a ordem,
no sentido de trabalhar-se com domínios homogêneos geoestatisticamente,
foi fundamental no presente trabalho na divisão correspondente aos
subdomínios geológicos/geoestatísticos, como será visto adiante. Métodos
não-estacionários, bastante freqüentes em aplicações de estudos de
reservatórios petrolíferos, não serão aqui abordados.
A ferramenta básica para modelamento espacial de fenômenos
naturais, e por extensão para estimativas e estudos de variabilidade por
simulações, é o semi-variograma, ou mais genericamente falando, o
variograma. Outros tipos de funções aleatórias quantificam também relações
espaciais de continuidade entre pontos amostrais (“variogramas” latu sensu).
Porém aqui nesta dissertação, sempre que o texto se referir a variogramas,
compreenda-se a função semi-variograma.
O variograma quantifica correlações espaciais entre observações,
dispostas a diferentes distâncias e direções definidas. O diferencial destas
correlações entre si, conforme a localização dos pontos amostrados em
relação a eles próprios e ao ponto a ser estimado/simulado, fornece os pesos
atribuídos a cada amostra, a serem empregados nas predições. Maiores
discussões em torno da variografia e o modelamento de continuidade
espacial em geral, com sua aplicação no presente estudo de caso, serão
abordados no item 3.3.
O método de estimativa geoestatística por excelência é a krigagem,
em suas diversas modalidades. Compreende técnicas de regressão linear
que minimizam a variância de estimativa para um dado modelo de
continuidade espacial (modelo variográfico), envolvendo a resolução de
sistemas de equações. A krigagem fornece valores mais prováveis para cada
ponto ou bloco (como o presente estudo) a ser estimado. Maiores detalhes
teóricos serão abordados no item 3.4.1 .
O estudo de variabilidade de uma determinada variável regionalizada é
comumente executado via simulações estocásticas, quando gera-se uma
série de realizações possíveis para cada ponto, segundo funções aleatórias.
Isso resulta em diferentes cenários, os quais podem fornecer uma dimensão,
44
tanto local quanto global, do grau de variabilidade ou de incerteza que se tem

de um determinado atributo em um determinado depósito.
Entre os diversos tipos de simulação estocástica incluem-se aqueles
que apelam para uma abordagem multi-Gaussiana, entre os quais o método
de simulação seqüencial Gaussiana, adotado no presente trabalho. Maiores
detalhes teóricos serão abordados na parte inicial do Capítulo 4.
3. 2 Análise Exploratória dos Dados
Esta etapa de trabalho constou da análise inicial dos dados disponíveis

para o estudo de caso, englobando sua revisão, organização, sistematização,
e investigação de feições mais marcantes, preparando-os assim para o
tratamento geoestatístico subseqüente. Características estatísticas básicas
dos dados de pesquisa por sondagem a trado manual (objeto de estudo
dessa dissertação) são calculadas, bem como o exame da disposição dos
valores amostrais ao longo da área pesquisada.
A análise dos dados disponíveis começa neste item com um exame
das feições topográficas da área e arredores. A conformação da superfície do
terreno, em especial mudanças no seu gradiente de inclinação, ajudou na
definição de domínios geológicos discutida no capítulo anterior.
3.2.1 Topografia
A representação topográfica da área e arredores é aqui apresentada

tanto a partir de trabalhos topográficos anteriores - cartas do IBGE (1:50.000)
e da CEPCAN (1:10.000) - quanto a partir de levantamento planialtimétrico de
detalhe, específico para os trabalhos nos limites da área.
Como base topográfica de semi-detalhe pré-existente, foi utilizada a
carta de São Bento Baixo (IBGE, escala 1:50.000), com curvas de nível com
equidistância de 20m, cobrindo a área pesquisada (Figura 2.2).
subseqüentes. A partir de plantas topográficas em escala 1:10.000
disponíveis para a zona carbonífera do Sul do Estado de Santa Catarina
45
(CEPCAN - Comissão Executiva do Plano do Carvão Nacional, 1956) - onde

se encontra a área em questão - conjugou-se as informações de relevo, carta
topográfica, geologia e posteriormente parâmetros relevantes levantados
pelas sondagens a trado. Inicialmente foi digitalizada a porção de interesse
nas cartas citadas na escala 1:10.000, representando as feições mais
importantes tais como: curvas de nível, estradas, área sondada e as
drenagens principais. O mapa foi georeferenciado com o sistema de
coordenadas locais adotado para a sondagem. O resultado final do mapa
pode ser visualizado na Figura 3.1.
No intuito de investigar a potencialidade da área de interesse para
ocorrência de reservas significativas de argila cerâmica, uma campanha
sistemática de sondagem a trado manual foi executada, conforme será
detalhado no item 3.2.2 . A Figura 3.2 mostra a situação da malha de furos,
locada sobre o mapa-relevo local. Observa-se que os furos a trado foram
executados em uma pequena planície plana, com suave inclinação de N para
S, um pouco mais acidentada em sua porção N (tálus). Este vale é
circundado por morros, particularmente a N por uma encosta mais íngreme.
Após os trabalhos iniciais de demarcação da área a ser sondada,
mostrou-se necessário um modelamento digital de terreno para melhor
delimitar os dois subdomínios geológicos, sevindo como base também para a
posterior análise de relações estéril-minério (item 3.5). Um modelo digital de
terreno, na definição genérica contida em Schmitt & Bisquay (2000), é um
mapa que fornece a altitude em cada ponto, nos limites de uma determinada
área de interesse. Numa perspectiva computacional, compreende imagens
definidas a partir de uma malha regular.
Um levantamento topográfico planialtimétrico de detalhe foi realizado
nos limites da área sondada. Os dados coletados em campo foram utilizados
para construir um mapa topográfico via interpolação por krigagem ordinária
[Stangler et al. (2001b), Apêndice A] numa malha regular 10 x 10 m e curvas
de nível com equidistância de 0.5 m. A Figura 3.3 apresenta o mapa de
contorno final obtido para elevação, onde foi usado um sistema de
coordenadas local (as coordenadas XY são as mesmas do sistema de
coordenadas da sondagem a trado). Note que esse mapa cobre a área total
sondada.
46
100
N
1000
0
75
10
75
75
75
50
100
100
50
500
75
100
75
100
0
75
50
50
75
40
50
-500 50
50
75
S ão B onifácio
35
75
30
-1000 75
50
50 75
0 500 1000 1500
LEGENDA
Estrada não pavimentada
Acesso a propriedade
Drenagem
Curvas de nível
Perímetro urbano
Limites da área sondada
Figura 3.1 - Mapa base contendo a delimitação da área sondada (coordenadas XY locais em
metros, adotadas para a malha de sondagem; altitudes acima do nível do mar).
47
Altitude (m)
140
135
130
125
120
115
110
105
100
95
90
85
80
75
70
65
60
55
50
45
40
35
30
25
LEGENDA
Drenagem
Acesso a propriedades
Curvas de nível (m)
Perímetro urbano
Furos a trado manual
Figura 3.2 - Mapa de relevo da área estudada, contendo informações topográficas e locação dos
furos de trado executados (exagero vertical: 3 X; altitudes acima do nível do mar).
Figura 3.3. Elevação topográfica para a área de estudo. Coordenadas XYZ locais, em metros.
48
3.2.2 Banco de Dados
O banco de dados original é constituído de 476 amostras de

comprimento variável , oriundas de 452 furos de sondagem a trado
manual (φ = 1“), em área de direitos minerários pertencentes ao Grupo Eliane
(Cocal do Sul/SC). A amostragem foi distribuída numa área total de 775m x
775m, em malha regular mas incompleta de 25m x 25m, conforme mostra a
Figura 3.4a. Neste mapa, já estão diferenciados os dois subdomínios
geológicos mencionados anteriormente, separados com base na geologia e
topografia, conforme já abordado nesta dissertação e em trabalho anterior
(Stangler et al., 2001a, Apêndice A), e ainda em tendências cerâmicas e
variográficas distintas, conforme será visto ao longo deste capítulo.
O Apêndice C apresenta o banco de dados já discriminando amostras
dos dois diferentes subdomínios considerados. A necessidade de subdivisão
do banco de dados original em função do reconhecimento de populações
distintas, cumprindo requisitos de estacionaridade conforme discutido no
início deste capítulo, juntamente com os critérios a serem considerados em
subdivisões são discutidos em Isaaks & Srivastava (1989, p.75-76).
O suporte amostral é variável, com amostras de distintos
comprimentos. Isso é devido à relativa pequena espessura dos intervalos
comparados com a dimensão horizontal do depósito, inviabilizando a
subdivisão em intervalos regulares menores. Suporte, no contexto
geoestatístico, é o tamanho/volume físico de uma amostra ou bloco sobre o
qual é definida a medida. Mais especificamente, é o “volume n-dimensional
no qual valores linearmente médios de uma variável regionalizada podem ser
computados” (Olea, 1991 p.76).
Para a maior parte dos furos, apenas um intervalo amostral está
presente. Nestes casos, cada um dos intervalos foi analisado posteriormente
como uma amostra simples, unitária. Estes intervalos foram coletados em
cada furo a partir do limite vertical entre a cobertura estéril de solo orgânico e
o horizonte argiloso de interesse, até a base desse horizonte em seu contato
com o substrato rochoso abaixo (folhelho escuro da Formação Serra Alta),
não penetrável pelo trado manual.
49
As variáveis registradas nos trabalhos de exploração e aqui

consideradas foram:
(i) identificação do furo: de F007 a F748 (seqüência incompleta);

(ii) coordenadas locais X e Y (0 a 775 m nos dois eixos);
(iii) espessura da cobertura estéril (não amostrada), em metros;
(iv) espessura do horizonte argiloso amostrado, em metros.
As variáveis de laboratório foram obtidas a partir de ensaios cerâmicos

realizados nos testemunhos de sondagem coletados. Correspondem aos
parâmetros de qualidade abordados anteriormente (item 2.3), medidos pós-
queima:
(i) absorção d’água (%);

(ii) retração linear (%).
Tais atributos industriais constituem efetivamente as variáveis de

interesse na avaliação final de reservas, juntamente com a espessura do
horizonte argiloso amostrado, tratada daqui em diante simplesmente como
“espessura”.
Entretanto, para fins de tratamento geoestatístico, especialmente para
krigagem e simulação em blocos, uma variável regionalizada deve ser aditiva,
i.e., o valor médio de uma variável sobre um determinado volume ou área
deve ser simplesmente a média aritmética de todos os n valores aí presentes.
Assim, variáveis como permeabilidade por exemplo, não são aditivas. Da
mesma forma, para se ter aditividade qualquer variável deve ser expressa em
amostras coletadas sob um mesmo suporte. Como no caso presente isso não
acontece, pois as amostras foram coletadas em diferentes comprimentos de
testemunhos de furos de trado, é necessário calcular as acumulações das
variáveis de qualidade, para torná-las em igual suporte. Isso foi feito apenas
multiplicando os valores originais de laboratório por cada correspondente
espessura amostrada. Desta forma, os valores de estimativa/simulação final
para a variável propriamente dita podem ser obtidos dividindo a acumulação
50
estimada/simulada por sua respectiva espessura estimada/simulada, bloco-a-

bloco.
O uso destas “variáveis de trabalho” é comum na literatura
geoestatística (David, 1977 p.89-90, Krige, 1981 e Journel e Huijbregts, 1978
p.244-247).
Portanto, as variáveis efetivamente submetidas à variografia, krigagem
e simulação são listadas abaixo:
(i) espessura (m);

(ii) acumulação de absorção d’água (%.m);
(iii) acumulação de retração linear (%.m).
Características originalmente registradas como a cor do material in

natura e a cor pós-queima não foram aqui consideradas como variáveis de
interesse na análise geoestatística: a cor pós-queima pelos motivos
abordados no item 2.3, e a cor in natura por não ter sido verificada nenhuma
relação sistemática entre as cores pré e pós-queima (Stangler, 1999).
3.2.2.1 Limites Definitivos
Antes de qualquer estudo de continuidade espacial e

estimativas/simulações resultantes, é essencial definir os limites geográficos
do(s) domínio(s) a ser(em) considerado(s) apropriadamente. Da mesma
forma é importante definir-se desde o início o tipo de abordagem a ser
imposta, 2D ou 3D (bi ou tridimensional), determinando assim a maneira
como a informação amostral será tratada. Essas são etapas preliminares
importantes e conseqüentemente importantes decisões daí são tomadas
(Armstrong, 1998 Cap.5).
Neste sentido, um estudo de tendências gerais na distribuição de
valores amostrais nas variáveis de qualidade foi executado. Especial atenção
foi dispensada a valores anômalos e seu posicionamento geográfico no
depósito, bem como a variações verticais dos furos de múltiplas amostras,
conforme será abordado adiante.
51
A maior parte dos dados provém de furos de trado manual com apenas
um intervalo amostrado, de suporte (espessura) variável, conforme
comentado anteriormente. Para tais situações, a abordagem em 2D
trabalhando com acumulações (multiplicação do parâmetro por sua
espessura) é mais adequada. Entretanto, neste banco de dados inicial
observa-se em alguns furos o registro de mais de um intervalo amostrado,
junto ao subdomínio tálus. Esta é a porção mais espessa do depósito,
apresentando algumas variações verticais macroscópicas, as quais incluem
as já mencionadas intercalações de material estéril limonítico, e também o
emplihamento da argila da planície sobreposta pelo tálus, conforme discutido
no item 2.2.2, e mostrado nas seções verticais esquemáticas da Figura 2.7.
Essas variações macroscópicas verticais foram observadas para 20
furos na parte norte central do depósito (Figura 3.4a), mais 8 furos na porção
NE do tálus, cujas amostras acabaram sendo suprimidas do banco de dados
final, conforme será abordado adiante neste item. Nestes casos, a
amostragem foi subdividida em dois ou três intervalos, verticalmente. Destes
furos, sete interceptaram argila com intercalações decimétricas de
contaminações limoníticas, correspondendo a um material considerado
ceramicamente estéril e contaminante (Figuras 2.7 e 2.13). Tais intercalações
foram separadas, juntando os segmentos acima e abaixo dessas e formando
uma única amostra a ser analisada.
A distribuição espacial das variáveis e a espessura foram estudados
em detalhe nesta região, incluindo observações em campo, tentando
correlacionar seus comportamentos aparentes com as condições geológicas
e geométricas locais. Este estudo mostrou quão errática esta região é,
comparada com o restante do depósito (mesmo quando comparada ao
subdomínio tálus como um todo, que por sua geologia já compõe um domínio
heterogêneo por natureza), e também a dificuldade em visualizar alguma
continuidade horizontal para possíveis níveis com constância suficiente. A
irregularidade do comprimento amostral e suas relativamente pequenas
dimensões não permitiram uma maneira racional de regularizá-las
verticalmente.
52
Em relação aos sete furos com intercalações limoníticas, normalmente

a presença deste tipo de contaminação neste tipo de depósitos é devida à
existência de fraturas e/ou às transições de granulometria, o que parece ser o
caso, uma vez que aparece na parte mais espessa do domíno do tálus e de
todo o depósito em estudo, com todas as variações faciológicas já
comentadas. De todos os 20 furos com mais de uma amostra, apenas quatro
apresentam juntos no mesmo furo dois intervalos positivos (do ponto de vista
cerâmico), de forma descontínua lateralmente. Além disso, quase todos os
furos apresentam os intervalos basais de qualidade cerâmica muito melhor
que os de topo (apenas duas amostras dos furos com intercalações
limoníticas enquadram-se nos tipos cerâmicos de interesse).
Com base em todos os aspectos descritos acima, foi decidido trabalhar
com acumulações numa abordagem bidimensional (2D), considerando
apenas os intervalos basais. Estas amostras removidas incluem os intervalos
de topo de furos com intercalações limoníticas.
Algumas amostras locadas em regiões periféricas foram eliminadas
para o estudo geoestatístico posterior, nas bordas NE do subdomínio tálus, e
SW do subdomínio planície (Figura 3.4). No primeiro caso, essa supressão foi
devido à baixa qualidade cerâmica das amostras, com valores afastando-se
em conjunto consideravelmente das especificações industriais requeridas,
sugerindo na verdade uma outra população geoestatística (Stangler, 1999). A
baixa qualidade cerâmica deste material, aliado ao fato de encontrar-se em
região residencial, indica uma probabilidade muito baixa de um dia essa
região ser minerada para tal bem mineral. No caso do canto SW da área
perfurada, as amostras foram removidas em função de seu isolamento
geográfico, decorrente da presença de canal de drenagem separando-as do
restante do depósito.
Portanto, após a remoção de amostras, das originalmente 477
amostras distribuídas em 452 furos, restaram 422 amostras, uma por furo e
com comprimento variável, distribuídas da seguinte forma: 231 amostras na
planície e 191 no tálus. Uma amostra do subdomínio planície foi perdida por
problemas de laboratório; independente disso, a espessura de argila
amostrada foi registrada. Isso significa que há apenas 230 amostras para as
variáveis de qualidade (por extensão para suas acumulações).
53
O mapa definitivo de locação das amostras pode ser visto na Figura

3.4b. Somente essas amostras foram efetivamente levadas em consideração
em toda a avaliação geoestatística subseqüente. Desta forma, acredita-se
que se torne mais viável o emprego de metodologias geoestatísticas sob a
hipótese da estacionaridade com populações mais homogêneas, conforme
discutido no item 3.1.
(a) ↑N
Remoção
Remoção
(b) ↑N
T
Figura 3.4 Locação de todos os furos de trado em malha 25m x 25m, mostrando amostras
removidas em (a), e campo amostral definitivo, com contato geológico transicional demarcado em
linha contínua (“T” = tálus; “P” = planície) em (b).
54
3.2.2.2 Características Amostrais
A organização, sistematização e sumarização dos dados, numa fase

inicial de trabalhos geoestatísticos, é usualmente imprescindível, para que se
possa melhor diligenciar os trabalhos a seguir. Os elementos e passos
necessários a uma organização preliminar dos dados associada à descrição
univariada das variáveis de interesse são claramente descritos em Isaaks &
Srivastava (1989, Cap.2).
Após a definição do campo a ser considerado para toda a avaliação
geoestatística subseqüente, pode-se agora visualizar mais confortavelmente
os mapas de amostragem para todas as variáveis, a fim de que se tenha uma
idéia inicial da distribuição espacial horizontal dos valores amostrais,
simultanemente ao estudo de suas características estatísticas básicas.
Através da observação de estruturas visualmente bem marcadas, bem como
de suas distribuições univariadas e inter-relações entre as variáveis, é
possível começar a tentar correlacionar feições observadas com fenômenos
geológicos. A investigação estatística básica das variáveis, mesmo não
fornecendo em si nenhuma informação espacial, indica feições e tendências
numéricas globais dessas variáveis.
A conjugação das informações estatísticas básicas com a localização e
arranjo dos valores amostrais, tanto das variáveis originais quanto das
transformadas (acumulações), provê assim uma base física de referência
para condução da etapa imediatamente subseqüente, a variografia. A
abordagem das informações dos dados discutidas acima é feita a seguir,
separadamente para cada um dos subdomínios geológico/geoestatísticos.
Distribuições Geográficas
Planície
O subdomínio planície, localizado na porção S da área total avaliada,

apresenta para as três variáveis de interesse (e respectivas acumulações)
características de disposição geográfica que evidenciam algumas tendências.
55
Tais tendências são distintas do outro subdomínio tálus, notadamente para as

variáveis de qualidade (em especial retração linear).
As Figuras 3.5, 3.6 e 3.7 mostram os valores das três variáveis nas
amostras dos furos de trado executados, locados no mapa-base topográfico
já com a discriminação dos dois subdomínios geológicos mencionados. As
amostras periféricas cortadas foram propositalmente mantidas nestes mapas
(comparar com Figura 3.4), no intuito de mostrar: (i) suas marcantes
diferenças nas tendências cerâmicas em relação ao restante das amostras,
na direção da pior qualidade para o canto NE do tálus; e (ii) o isolamento
geográfico no SW da área, em relação à planície e à área como um todo.
Para a variável espessura (Figura 3.5), observa-se uma concentração
de intervalos mais espessos no centro da área, orientados N-S, mostrando a
influência dos canais de drenagem relacionados com o tálus. Esses canais de
direção N-S estão atualmente mais a W deste paleo-canal, mostrando a
migração dos cursos d’água e o retrabalhamento existentes. Valores menores
tendem a concentrar-se mais na periferia, de forma irregular. A classe de
valores entre 1,0 e 1,5 m é amplamente predominante.
Em relação à absorção d’água (Figura 3.6), é nítida a tendência dos
valores serem maiores na planície que no tálus. Os maiores valores
concentram-se junto ao extremo NW do subdomínio, indicando um material
comparativamente mais arenoso, por estar mais próximo da área fonte,
conforme discussões do Capítulo 2 sobre a relação entre a geologia e
características cerâmicas. Enquanto isso, os menores valores tendem a se
concentrar no flanco E, na transição para o subdomínio tálus. Pode-se
observar também uma continuidade de orientação NW-SE para valores
similares entre si.
Para retração linear (Figura 3.7), essa mesma orientação NW-SE
persiste. Os valores em geral são nitidamente menores que no tálus,
indicando uma tendência oposta à da absorção d’água. Isso vem ao encontro
da forte correlação negativa entre as duas variáveis, a ser abordada adiante,
nesse mesmo item. Alguns valores mais altos e mais erráticos espalham-se
na porção SW, mais próxima da drenagem principal, região de maior
migração e retrabalhamento, o que possivelmente contribuiu para essa maior
variabilidade dos valores.
56
As acumulações de variáveis de qualidade com espessura,

compreendendo efetivamente as variáveis de trabalho, aditivas, conforme
discutido anteriormente, apresentam comportamento distinto para a
distribuição geográfica dos valores.
A acumulação de absorção d’agua (Figura 3.8a) é nitidamente mais
influenciada pela espessura do que pela variável original propriamente dita
(vide Figuras 3.5 e 3.6, comparando com Figura 3.8a), com maiores valores
concentrados no centro-norte, na transição para o tálus. Por sua vez, a
retração linear permanece mais independente da espessura na sua
acumulação, guardando grandes semelhanças de comportamento espacial
com a variável original (Figuras 3.5 e 3.7, comparando com Figura 3.8b):
maior continuidade a NW-SE e maiores valores na porção NE. Tais
tendências de influências nas acumulações se confirmam amplamente na
análise estatística básica, conforme será abordado adiante.
57
TÁLUS
PLANÍCIE
1200
↑N
1000
Furos de trado
800 106
Espessura (m)
TÁLUS
0 a 0.5
600 0.5 a 1
118
1 a 1.5
75
400 1.5 a 2.5
117
2.5 a 3.5
200 111
100
113
PLANÍCIE
0 34
50
75
LEGENDA
84
-200
Contato geológico aproximado
-400 Drenagem
67

58
-600
75
São Bonifácio
-800
75
79
79
81
-1000 81
75
83
Perímetro urbano
-1200 28
-200 0 200 400 600 800 1000 1200 1400 1600 (m)
Figura 3.5 - Mapa base com os valores amostrais de espessura de argila na área sondada,
ampliado acima para região efetivamente pesquisada (malha 25m x 25m). Altitudes em metros
acima do nível do mar.
58
TÁLUS
PLANÍCIE
1200
↑N
1000
Furos de trado
106
800
TÁLUS Absorção d'água (%)
0 a 10
600 10 a 15
118
15 a 20
75
400 20 a 25
117
200 111
100
113
PLANÍCIE
0 34
50
50
75
LEGENDA
84
-200
Contato geológico aproximado
-400 Drenagem
67
58
-600
75
São Bonifácio
-800 79
75
79
81
-1000 81 Curvas de nível (m)

75
83
-1200 28 Perímetro urbano

-200 0 200 400 600 800 1000 1200 1400 1600 (m)
Figura 3.6 - Mapa base com os valores amostrais de absorção d’água na área sondada, ampliado
acima para região efetivamente pesquisada (malha 25m x 25m). Altitudes em metros acima do
nível do mar.
59
TÁLUS
PLANÍCIE
1200
↑N Furos de trado
1000
Retração linear (%)
800
TÁLUS
106
0 a 1.5
1.5 a 2.5
600 2.5 a 3.5
75
118
3.5 a 5
400 5 a 11
117
200 111
100
113
PLANÍCIE
0 34
LEGENDA
75
50
84
-200 Contato geológico aproximado
Drenagem
-400
67
58
-600
75
São Bonifácio
-800
75
79
79
81
-1000 81
75
83
Perímetro urbano
-1200 28
-200 0 200 400 600 800 1000 1200 1400 1600 (m)
Figura 3.7 - Mapa base com os valores amostrais de retração linear na área sondada, ampliado
acima para região efetivamente pesquisada (malha 25m x 25m). Altitudes em metros acima do
nível do mar.
60
↑N ↑N
Figura 3.8 - Mapas de valores amostrais de acumulação de absorção d'água (a), e de acumulação
de retração linear (b). Valores em %.m.
Tálus
O subdomínio tálus, localizado na porção N da área total avaliada, a

exemplo da planície apresenta para as três variáveis de interesse (e
respectivas acumulações) características de disposição geográfica que
evidenciam algumas tendências particulares. Tais tendências são distintas do
outro subdomínio planície, notadamente para as variáveis de qualidade.
Para a variável espessura (Figura 3.5), persiste a concentração de
intervalos mais espessos no centro da área, orientados N-S, mostrando a
influência dos canais de drenagem. A gradação para valores mais baixos é
brusca nesta região, contribuindo para o incremento do efeito pepita nos
variogramas, conforme será visto adiante. Esses canais de direção N-S estão
atualmente mais a W deste paleo-canal, mostrando a migração dos cursos
d’água e o retrabalhamento existentes. Persiste a concentração de valores
mais baixos na periferia, já observada para a planície.
Em relação à absorção d’água (Figura 3.6), é nítida a tendência dos
valores serem maiores no subdomínio planície que no tálus, com valores
mais extremos nas bordas NW e NE, neste último caso constituindo a maior
parte das amostras suprimidas. A continuidade NW-SE observada para
planície já não é tão evidente no tálus. Para retração linear (Figura 3.7), os
valores em geral são nitidamente mais altos que na planície, além de muito
mais erráticos, denotando a heterogeneidade intrínseca deste subdomínio.
61
As acumulações de variáveis de qualidade com espessura,

compreendendo efetivamente as variáveis de trabalho, apresentam
comportamento distinto para a distribuição geográfica dos valores (Figura
3.9). Persistem as tendências observadas para a planície, ainda que de forma
mais irregular, de maior influência da espessura na acumulação de absorção
d’água, contrapondo-se à maior independência da retração linear quando
acumulada. A presença de valores significativamente altos para a
acumulação de retração linear, na borda NE, é fruto de valores altos para a
variável original propriamente dita.
↑N ↑N
Figura 3.9 - Mapas de valores amostrais de acumulação de absorção d'água (a), e de acumulação
de retração linear (b). Valores em %.m.
Análise Estatística
O caráter descritivo do exame de características estatísticas básicas

das variáveis situa as tendências numéricas absolutas dos dados
populacionais, tais como seu valor central (média), sua dispersão (desvio
padão/variância), simetria da distribuição e possíveis valores extremos e/ou
populações distintas presentes. Ainda, o exame conjunto de correlações
entre diferentes variáveis fornece subsídios para o estudo de seus
comportamentos mútuos, o que pode ser útil na análise espacial
subseqüente. Esse tipo de informações ajuda sobremaneira na condução e
balizamento das etapas seguintes.
62
Planície
As estatísticas básicas das variáveis de interesse no subdomínio

planície são apresentadas a seguir. Para as variáveis de qualidade, tanto as
variáveis originais propriamente ditas - embora não consideradas diretamente
na avaliação geoestatística - quanto suas acumulações são discutidas.
Para este subdomínio, foram necessárias medidas de
desagrupamento dos dados (declustering, ou “declusterização”, neologismo
comumente usado na comunidade geoestatística brasileira), uma vez que os
furos, embora distribuídos numa malha regular 25m x 25m, não foram em
alguns locais realizados, em função de problemas de umidade, residências,
estradas, etc. Isso propiciou uma disposição das amostras não exatamente
uniforme (conforme pode ser observado nos mapas amostrais), requerendo
portanto uma correção a fim de obter-se uma distribuição estatística mais
representativa da população. Embora esse agrupamento dos dados
(“clusterização”) não seja muito pronunciado, ainda assim é necessário seu
desagrupamento para que se tenha uma distribuição de referência para as
simulações, as quais foram apenas realizadas no domíno planície, conforme
será visto adiante. Essa é a razão pela qual histogramas “declusterizados”
foram calculados e apresentados apenas para este subdomínio.
Vários métodos de desagrupamento são usados nestes casos, e como
tal são disponíveis na literatura pertinente (veja Isaaks & Srivastava, 1989,
Cap.10, e Goovaerts, 1997 p.77-82, para uma discussão nos diferentes
métodos de desagrupamento existentes). Esses métodos baseiam-se na
premissa intuitiva de que dados em áreas mais densamente amostradas
possuem uma representatividade comparativamente menor do que dados
mais isolados. Isso confere a estes últimos pesos maiores no cálculo da
distribuição estatística, pois supostamente são representativos de áreas
maiores. No presente trabalho, foi adotado o método de células de
desagrupamento (declustering cells, Deutsch, 1989), o qual subdivide a área
total em células (=janelas móveis) de tamanho determinado a fornecer a
menor média global da variável, e ao mesmo tempo uma distribuição global
mais representativa da população restrita ao domínio amostrado.
63
A Figura 3.10 mostra os histogramas de freqüência para espessura

antes e depois de aplicado o desagrupamento. A forma global do histograma
e seu coeficiente de variação permaneceram praticamente inalterados com
esta correção, apenas com um suave deslocamento da média, mediana e
quartil superior em direção a valores mais baixos.
(a) (b)
Figura 3.10 - Distribuição amostral original (a) e desagrupada (b) para espessura.
Os histogramas de freqüência das variáveis de qualidade são

mostrados na Figura 3.11. Uma amostra foi inutilizada em laboratório, razão
pela qual para espessura há uma amostra a mais que para essas variáveis.
A análise conjunta das distribuições, apresentando os valores
ponderados com a espessura dos intervalos onde as amostras originais
foram coletadas (suporte variável, conforme comentado anteriormente), 3.11a
para absorção d’água, e 3.11b para retração linear, mostra claramente
algumas tendências destes parâmetros de qualidade. A absorção d’água
apresenta um histograma altamente simétrico e um CV (coeficiente de
variação = desvio padrão dividido pela média) muito baixo, mostrando uma
grande concentração dos valores em torno de sua média, por sua vez
praticamente coincidente com a mediana. Por outro lado, a retração linear
apresenta assimetria positiva, sem a ocorrência de valores extremos muito
discrepantes. O CV é comparativamente bem maior, denotando a maior
variabilidade dessa variável de qualidade.
A porção inferior da Figura 3.11 (“c” e “d”) apresenta os histogramas de
freqüência acumulada para ambas as variáveis de qualidade, mostrando
64
intervalos de classificação cerâmica da argila conforme Tabela 2.3. É notória

a grande incidência de amostras classificadas nos tipos cerâmicos, quando
as variáveis são consideradas isoladamente, especialmente para absorção
d’água. Como foi visto no item 2.3, o grupo de Biqueima inclui também
intervalos da argila tipo Monoporosa, somente se enquadrando num dos
grupos quando consideradas as duas variáveis em conjunto. Mais adiante
será visto o impacto na classificação das amostras quando as duas variáveis
são consideradas simultaneamente, mostrando uma redução significativa nas
amostras consideradas como minério.
(a) (b)
(c) (d)
Figura 3.11- Distribuições amostrais de absorção d’água (a) e retração linear (b), ponderadas
com espessura dos intervalos correspondentes. Histogramas de freqüência acumulada, contendo
os intervalos de classificação cerâmica, são mostrados em (c) para absorção d’água, e (d) para
retração linear.
A Figura 3.12 mostra os histogramas de freqüência das acumulações

das variáveis de qualidade. Pode-se observar que, para acumulação de
absorção d’água (Figura 3.12a e b), os histogramas são significativamente
semelhante aos histogramas da espessura (Figura 3.10), com virtualmente
mesmos CVs. Essa forte influência é decorrente da grande similaridade para
65
os valores de absorção entre si, com um histograma altamente simétrico e

concentrado na mediana/média, fazendo com que, na transformação por
acumulação, ao multiplicar-se valores pouco variáveis pelos valores da
espessura, comparativamente mais dispersos, estes últimos acabem ditando
as feições gerais da distribuição resultante. Num caso extremo, se todos os
valores de absorção fossem iguais entre si, seria o mesmo que multiplicar
todos os valores de espessura por uma constante: as relações variográficas e
forma dos histogramas não iriam mudar. Em contrapartida, a acumulação de
retração linear (Figura 3.12c e d), variável comparativamente mais errática,
exibe praticamente mesma forma e características de histograma que a
variável original, mostrando assim sua maior independência da espessura.
O processo de desagrupamento para as variáveis de qualidade (Figura
3.12) acarretou em reduções nas médias, nos quartis superiores e nas
medianas para ambas as variáveis. As formas dos histogramas, porém, foram
mantidas praticamente inalteradas.
(a) (b)
(c) (d)
Figura 3.12 - Distribuição amostral original (a) e desagrupada (b) para acumulação de absorção
d’água, e acumulação de retração linear, respectivamente (c) e (d).
66
As correlações entre as variáveis de qualidade originais entre si e com

espessura, bem como das respectivas acumulações entre si e com a
espessura são apresentadas nos diagramas da Figura 3.13.
PLANÍCIE
(a) (b)
(c) (d)
(e) (f)
Figura 3.13 - Diagramas de correlação entre: (a) absorção d’água e retração linear, mostrando
os limites de classificação cerâmica; (b) as duas acumulações; (c) absorção d’água e espessura;
(d) retração linear e espessura; (e) acumulação de absorção d’água e espessura; (f) acumulação
de retração linear e espessura.
67
A relativamente alta correlação negativa que existe entre as variáveis

de qualidade originais (Figura 3.13a) é diminuída quando se plota as
respectivas acumulações entre si (Figura 3.13b). Isso faz com que tal relação
entre as variáveis originais não possa ser usufruida na avaliação
geoestatística, quando são empregadas as acumulações. A Figura 3.13a
mostra ainda os limites de classificação para cada tipo cerâmico, em cada
variável, indicando a redução significativa do enquadramento amostral nos
tipos cerâmicos, em relação à mesma classificação feita para cada variável
independentemente, reiterando o já anunciado neste item.
A total falta de correlação entre as variáveis de qualidade e a
espessura é evidente ao observar-se as Figuras 3.13c e 3.13d. Em
consonância com a já abordada dependência da absorção d’água em relação
à espessura, quando acumulada, a Figura 3.13e mostra a forte correlação
positiva entre a espessura e esta variável acumulada. O mesmo não
acontece com a retração linear (Figura 3.13f).
Tálus
As estatísticas básicas das variáveis de interesse no subdomínio tálus

são apresentadas a seguir. A Figura 3.14 mostra o histograma de freqüência
para espessura. Em linhas gerais, a forma global do histograma, assimétrica
positiva, é muito semelhante ao da espessura na planície (por conseqüência
também o coeficiente de variação), apenas mais irregular. A média é um
pouco mais alta, assim como os extremos são mais dispersos.
Figura 3.14 - Histograma da espessura.

68
Os histogramas de freqüência das variáveis de qualidade são

mostrados na Figura 3.15. A absorção d’água apresenta um histograma com
uma leve assimetria negativa, e CV baixo. Já a retração linear apresenta
assimetria suavemente positiva, com a ocorrência de poucos valores altos
mais discrepantes (correspondentes aos valores mais baixos da absorção
d’água), todos situados no limite NE do subdomínio, não chegando a
caracterizar uma 2a população, mas antes uma transição para amostras de
características cerâmicas diferentes, as quais foram suprimidas (item 3.2.2.1).
O CV maior indica uma variabilidade comparativamente alta.
A porção inferior da Figura 3.15 (“c” e “d”) apresenta os histogramas de
freqüência acumulada para ambas as variáveis de qualidade, mostrando
intervalos de classificação cerâmica da argila conforme Tabela 2.3. Há uma
diminuição considerável de amostras classificadas nos tipos cerâmicos,
quando as variáveis são consideradas isoladamente, em relação à planície,
especialmente para retração linear. Isso atesta a baixa qualidade cerâmica
média das amostras deste subdomínio. Ao confrontar-se globalmente a
Figura 3.11 com a Figura 3.15, ficam claras as diferenças entre as
características amostrais das variáveis de qualidade entre os dois
subdomínios, notadamente melhores na planície do ponto de vista cerâmico.
A Figura 3.16 mostra os histogramas de freqüência das acumulações
das variáveis de qualidade. Pode-se observar que, para ambas as variáveis
de trabalho, os histogramas apresentam uma assimetria positiva,
significativamente diferente das variáveis originais, portanto numa situação
distinta da planície, em relação à acumulação de retração linear. No caso da
acumulação de absorção d’água, novamente seu histograma é bastante
influenciado pela espessura, similarmente ao observado na planície.
As correlações entre as variáveis de qualidade originais entre si e com
espessura, bem como das respectivas acumulações entre si e com a
espessura são apresentadas nos diagramas da Figura 3.17.
Os comentários feitos anteriormente para as correlações entre as
variáveis no subdomínio planície (Figura 3.13) também aqui se aplicam, em
linhas gerais. Embora com tendências individuais diferentes em cada
subdomínio, conforme já abordado, as variáveis apresentam semelhantes
inter-relações. Para as variáveis de qualidade originais (Figura 3.17a), a
69
correlação negativa é um pouco maior (coeficiente de -0,868 contra -0,686 da

planície); o mesmo para o caso da acumulação de retração linear contra a
espessura (Figura 3.17e).
(a) (b)
(c) (d)
Figura 3.15 - Histograma original de absorção d’água (a) e retração linear (b), apresentando
valores ponderados com espessura dos intervalos correspondentes. Histogramas de freqüência
acumulada, contendo os intervalos de classificação cerâmica, são mostrados em (c) para absorção
d’água, e (d) para retração linear.
(a) (b)
Figura 3.16 - Distribuição amostral original para acumulação de absorção d’água (a), e
acumulação de retração linear (b).
70
TÁLUS
(a) (b)
(c) (d)
(f)
(e)
Figura 3.17 - Diagramas de correlação entre: (a) absorção d’água e retração linear, mostrando
os limites de classificação cerâmica; (b) as duas acumulações; (c) absorção d’água e espessura;
(d) retração linear e espessura; (e) acumulação de absorção d’água e espessura; (f) acumulação
de retração linear e espessura.
71
Quadro Comparativo
A Tabela 3.1 apresenta um quadro-resumo comparativo das

estatísticas básicas amostrais para os dois subdomínios. As já comentadas
tendências e diferenças entre as variáveis e subdomínios aqui mostram-se
claras, especialmente no que diz respeito à maior variabilidade observada no
tálus. Os valores das variáveis de qualidade originais referem-se às
distribuições ponderadas com espessura; já os valores de espessura e de
acumulações para a planície são das respectivas distribuições desagrupadas.
Tabela 3.1 - Resumo das estatísticas básicas para todas as variáveis nos dois subdomínios.
Tálus Planície
Mín Máx Méd DP CV No Mín Máx Méd DP CV No
E 0,20 3,00 1,21 0,57 0,47 191 0,40 2,40 0,95 0,38 0,41 231
A 4,18 20,17 13,24 2,54 0,19 191 9,59 21,5 15,46 1,67 0,11 230
R 0,10 8,19 2,71 1,55 0,57 191 0,00 6,29 1,60 1,01 0,63 230
A 2,57 42,39 16,01 7,97 0,50 191 3,84 35,93 14,85 5,92 0,40 230
R 0,14 16,70 3,28 2,57 0,78 191 0,00 5,95 1,59 1,19 0,75 230
OBS.: E = espessura (m) ; A = absorção d’água (%) ; R = retração linear (%) ; A = acumulação de absorção d’água (%.m) ;
R = acumulação de retração linear (%.m); DP = desvio padrão ; CV = coeficiente de variação ; N0 = número de amostras.
3.3 Modelamento de Continuidade Espacial: Variografia
A abordagem do banco de dados em estudo feita até aqui, incluindo o

exame atento de todos os aspectos industriais e geológicos relacionados, a
descrição estatística dos dados, correlações, e ainda a distribuição geográfica
dos valores amostrais, são todos de suma relevância numa metodologia
geoestatística. Porém, como a predição de reservas e variabilidade associada
constituem o objetivo primordial deste trabalho, são necessárias inferências
sobre características populacionais dos atributos de interesse nos limites dos
domínios em estudo. Para tal, é imprescindível o modelamento adequado da
estatística espacial (i.e., quantificando a continuidade espacial) desta
população, a partir dos dados amostrais disponíveis. Tal modelamento
72
norteia todo o processo de estimativa/simulação subseqüente, impactando

portanto diretamente nas classificações e informações finais advindas.
A essência de métodos geoestatísticos em geral, conforme discutido
no item 3.1, baseia-se na inferência de modelos probabilísticos de
continuidade espacial, i.e., modelos de funções aleatórias construídos a partir
de uma série de dados espacialmente dependentes, as variáveis aleatórias
(Goovaerts, 1997 p.63). O modelamento propriamente dito constitui a
inferência de seus parâmetros a partir dos dados disponíveis,
fundamentalmente dos dois primeiros momentos, a média e a covariância.
Para a média existem métodos de desagrupamento (item 3.2.2.2) que
fornecem uma estatística mais adequada do domínio de estudo. Porém, para
a apreciação de relações espaciais entre pontos afastados a dadas distâncias
e direções, a continuidade espacial é quantificada através da variografia. A
variografia compreende a inferência de um modelo para um semivariograma
(Olea, 1991 p.81). No jargão geoestatístico, corresponde à fase de “análise
estrutural”, assim denominada porque modela as estruturas de continuidade
espacial da variável em estudo.
Vários tipos de funções aleatórias enquadram-se no grupo dos
“variogramas” latu sensu, (Deutsch & Journel, 1998 p.44-47) quantificando
relações espaciais de continuidade entre pontos amostrais, entre as quais o
semi-variograma. Segundo Journel & Huijbregts (1978), a função semi-
variograma caracteriza a variabilidade entre dois valores numéricos z(x) e
z(x+h) nos pontos x e x+h separados pelo vetor h. Assim, é possível estimar-
se o variograma 2γ(h) dos dados disponíveis numa determinada direção, a
partir da média aritmética (esperança) das diferenças quadráticas entre dois
valores experimentais separados a uma distância h, i.e.,
1 N (h)
2γ*(h) = ∑
N (h) i =1
[ z ( xi ) − z ( xi + h)]2 (3.3)
onde N(h) é o número de pares experimentais [z(xi),z(xi+h)] de dados

separados pelo vetor h.
73
O variograma, para a maior parte dos modelos existentes,

correspondentes aos modelos de transição, é uma função crescente até um
determinado valor de h, conhecido como amplitude (range), onde atinge o
patamar (sill) correspondente aproximadamente à variância a priori dos
dados. O variograma reflete a variabilidade espacial média de pares
amostrais, dispostos a distâncias múltiplas de h para uma determinada
direção (lags). Em essência, substitui a distância euclidiana h usada em
outros métodos pela distância estrutural 2γ(h), que é específica ao atributo e
ao campo em estudo.
Maiores discussões em torno da variografia, modelos teóricos de
continuidade espacial em geral, critérios de permissividade desses modelos,
e ainda fatores que devem ser levados em consideração em análise
estruturais variográficas, incluindo parâmetros determinantes nas estratégias
de busca controladores dos valores experimentais de variograma, podem ser
encontrados em David (1977, Caps.4 e 6), Journel & Huijbregts (1978,
Cap.3), Clark (1979, Cap.2), Isaaks & Srivastava (1989, Cap.16), Goovaerts
(1997, Cap.4), Armstong (1998, Caps.3, 4 e 5), Olea (1999, Cap.5) e Chilès &
Delfiner (1999, Cap.2).
Respeitando todo o embasamento teórico acima discorrido, partiu-se
dos dados de sondagem existentes para o modelamento variográfico das
variáveis de interesse nos dois subdomínios. Com o cálculo de variogramas
experimentais, modelos autorizados (conforme discussão em Goovaerts,
1997 p.87-88, e Armstrong, 1998 p.35-36) foram ajustados, definindo e
quantificando eixos de anisotropias. As interpretações foram sempre
balizadas com os aspectos geológicos atuantes na disposição espacial dos
valores amostrais. Parâmetros tais como tolerância angular e linear, largura
da banda, e dimensão do lag foram estudados e comparados
cuidadosamente caso a caso, até encontrar-se as condições ideais de
estruturação e quantificação de anisotropias para cada variável em cada
subdomínio. Para os lags, foram adotados espaçamentos múltiplos de 25 m
nas direções NS e EW, coincidentes com a malha sistemática amostral, 35 m
nas direções N45E e N45W. Nas direções intermediárias foram adotadas
distâncias múltiplas de 30 m, sempre com tolerâncias lineares de 0,5 lag. As
74
direções de maior e menor continuidade foram então registradas, obtendo-se

assim os modelos probabilísticos de continuidade espacial a serem
empregados subseqüentemente nas estimativas e simulações realizadas,
conforme será visto neste e no próximo capítulo.
A seguir são apresentados os modelos variográficos ajustados em
cada subdomínio para as variáveis regionalizadas em estudo (espessura e
acumulações).
3.3.1 Planície
Os modelos variográficos obtidos para as variáveis regionalizadas da

planície são apresentados na Figura 3.18, sumarizados nas direções de
máxima e mínima continuidade espacial. Foram computados os variogramas
das acumulações e das espessuras, em circunstâncias similares às
reportadas por David (1977, p.89-90) para depósitos estratiformes de
diferentes comprimentos amostrais. A exemplo do observado por este autor,
no presente estudo de caso, seguindo as convergências estatísticas entre
espessura e acumulação de absorção d’água abordadas no item 3.2.2.2, o
modelo variográfico para esta acumulação simplesmente reflete a
continuidade espacial da espessura. O mesmo não ocorre para a acumulação
de retração linear.
Em casos como o acima descrito, de correlação espacial entre duas
variáveis, uma alternativa é o seu modelamento conjunto através de
variogramas cruzados (cross-variograms), quantificando a continuidade
dessa correlação espacial (Isaaks & Srivastava, 1989 p.175-177). Estes
modelos cruzados de duas variáveis espacialmente correlacionadas podem
ser usados posteriormente em estimativas pelo método da cokrigagem
(Isaaks & Srivastava, 1989 Cap.17). Porém, para o caso presente (espessura
x acumulação de absorção d’água), testes comparativos de krigagem e
cokrigagem a partir de modelos respectivamente variográficos e
covariográficos (Stangler, 1999) demonstraram que as estimativas resultantes
de um e de outro procedimento resultaram praticamente idênticas.
Wackernagel (1998, Cap.25) aponta que, em casos como o presente, de
75
“cokrigagem isotópica”, onde as variáveis em questão são medidas

concomitantemente em todas as locações amostrais, a cokrigagem é
equivalente à krigagem individual.
Em razão dos fatores discutidos acima, as variáveis regionalizadas em
estudo foram modeladas independentemente, tanto na planície quanto no
tálus. No intuito de comparar-se diferentes variáveis, medidas usando
diferentes unidades e magnitudes, todos os variogramas foram padronizados,
i.e., suas variâncias totais (sills) foram equiparadas à unidade [1 m2 para
espessura e 1 (%.m)2 para as acumulações].
Existem diferentes modelos teóricos aos quais são ajustados os
variogramas experimentais, devendo estes cumprirem determinados
requisitos para serem permissíveis (Goovaerts,1997 p.87-88). Aqui serão
apresentados apenas os modelos efetivamente usados no presente estudo
de caso, tanto na planície quanto no tálus.
O modelo esférico, aplicado nas variáveis espessura e acumulação de
absorção d’água da planície, é o de uso mais comum nas geociências.
Apresenta um crescimento rápido na origem, onde tem um comportamento
linear. As equações 3.4 e 3.5 descrevem esse modelo:
3 | h | 1 | h |3
γ (h) = Co + C[ − ( )] , para |h| < a (3.4)
2 a 2 a3
γ (h) = Co + C , para |h| ≥ a (3.5)
onde: γ (h) = função semivariograma para vetor h (distância média entre

pares); Co = efeito pepita; C = incremento total de variância média entre
pares de dados experimentais na distância a; a = alcance; |h| = módulo do
vetor h.
O modelo exponencial também apresenta comportamento linear na
origem. O alcance (a) tem, neste esquema, significado puramente analítico,
sendo o patamar só alcançado pela curva de forma assintótica. Na prática,
76
porém, utiliza-se um alcance igual a 3a (alcance virtual, correspondendo a

95% da variância total). A equação 3.6 descreve este modelo.
|h|
γ (h) = Co + C[1 − e(− )] (3.6)
a
onde, além dos parâmetros identificados para as equações 3.4 e 3.5,

e = base dos logaritmos neperianos.
Os modelos variográficos finais mostrados na Figura 3.18 exibem
anisotropias geométricas para todas as variáveis, marcadamente mais
acentuadas para espessura e acumulação de absorção d’água. Estruturas
imbricadas aparecem nos modelos destas duas últimas variáveis. As
estruturas imbricadas (nested structures) indicam a presença de variações do
fenômeno estudado em diferentes escalas, e são a justaposição de dois ou
mais modelos teóricos na mesma representação gráfica. No caso presente,
podem ser devidas a estruturas tectônicas de diferentes escalas, conforme
mostrado nas figuras de fotointerpretação (Figuras 2.11 e 2.12), tectonismo
que afeta a sedimentação e atual disposição da argila, e conseqüentemente o
arranjo espacial das variáveis. O efeito pepita, relativamente alto, pode ser
atribuído em parte à rudimentaridade do trado manual, dando margem a
possíveis contaminações e distorções da real espessura observada, em parte
às próprias irregularidades locais do depósito (vide Figura 2.13), e em parte a
eventuais variações de condições de laboratório nas análises realizadas.
77
PLANÍCIE
(a) (b)
γ γ
N10W N80E
(m) (m)
(c) (d)
γ γ
N10W N80E
(m) (m)
(e) (f)
γ γ
N65E
N25W
(m) (m)
Figura 3.18 - Modelos variográficos (linhas contínuas) ajustados para o subdomínio planície, com
base nos valores de variogramas experimentais (pontos), nas direções de máxima e mínima
continuidade respectivamente para espessura (a)(b), acumulação de absorção d’água (c)(d), e
acumulação de retração linear (e)(f).
Os parâmetros identificadores dos modelos são indicados na Tabela

3.2. As direções de maior continuidade NNW-SSE a NW-SE são resultado da
sedimentação da drenagem na porção W, concordantemente orientada,
enquanto os efeitos pepita incorporados refletem as irregularidades laterais
presentes neste ambiente de leque aluvial, comentadas no item 2.2, além de
eventuais imperfeições de amostragem e de procedimentos laboratoriais.
Os modelos variográficos e as estratégias da elipse de busca na
krigagem foram objeto de validação cruzada (Isaaks & Srivastava, 1989
Cap.15). Verificou-se a sensibilidade para distintos modelos de cada variável,
em relação a diferentes proporções do efeito pepita sobre a variância total,
78
até chegar-se no modelo final que propiciasse a menor tendenciosidade

(bias), e média absoluta do erro de estimativa mais próxima de 0.
Tabela 3.2 - Modelos de continuidade espacial (semi-variogramas) para as três variáveis

regionalizadas, subdomínio planície.
Espessura de Acumulação de Acumulação de
Argila Absorção d’água Retração Linear
(m) (%.m) (%.m)
2 2
Efeito Pepita 0,25 m 0,25 (%.m) 0,30 (%.m)2
Modelo Variográfico esférico esférico exponencial
2 2
Sill 0,25 m 0,25 (%.m) 0,70 (%.m)2
1a Maior Continuidade N10W N10W N25W
Estrutura Alcance 32,85 m 32,85 m 96,72 m
Menor Continuidade N80E N80E N65E
Alcance 16,42 m 16,423 m 47,45 m
Modelo Variográfico esférico esférico --
2 2
Sill 0,50 m 0,50 (%.m) --
a
2 Maior Continuidade N10W N10W --
Estrutura Alcance 202,55 m 202,55 m --
Menor Continuidade N80E N80E --
Alcance 65,69 m 65,69 m --
OBS: Todos os variogramas estão padronizados [variância total = 1m2 ou 1 (%.m)2].
3.3.2 Tálus
Os modelos variográficos obtidos para as variáveis regionalizadas

deste subdomínio são apresentados na Figura 3.19, enquanto seus
parâmetros são listados na Tabela 3.3. Persiste a semelhança entre o
comportamento espacial da espessura e o da acumulação de absorção
d’água, embora de maneira menos pronunciada que na planície. Os alcances
para espessura e acumulação de absorção d’água bem menores que na
planície, o efeito pepita maior e a tendência a uma anisotropia menos
marcada denotam o caráter mais errático/heterogêneo do tálus. Porém, a
acumulação de retração linear apresenta uma continuidade total maior, ainda
que o efeito pepita e a primeira estrutura, as quais juntas constituem 75% do
alcance total, compreendam um alcance comparativamente curto.
79
TÁLUS
(a) (b)
γ
γ
N35W N55E
(m) (m)
(c) (d)
γ
γ
N35W N55E
(m) (m)
(e) (f)
γ
γ
N25W N65E
(m) (m)
Figura 3.19 - Modelos variográficos (linhas contínuas) ajustados para o subdomínio tálus, com
base nos valores de variogramas experimentais (pontos), nas direções de máxima e mínima
continuidade respectivamente para espessura (a)(b), acumulação de absorção d’água (c)(d), e
acumulação de retração linear (e)(f).
Os modelos variográficos finais mostrados na Figura 3.19 exibem

anisotropias geométricas para todas as variáveis, bastante tênue no caso da
acumulação de absorção d’água. Estruturas imbricadas aparecem no
modelos da acumulação de retração linear. Persistem as direções de maior
continuidade NW-SE, como resultado da sedimentação da drenagem na
porção W, concordantemente orientada, embora atenuada pela influência dos
cursos d’água e retrabalhamento do tálus, mais erráticos, diminuindo a
continuidade de uma maneira geral.
Cheques de validação cruzada foram também aqui aplicados, a
exemplo da planície. Os modelos e estratégias de busca de resultados mais
favoráveis (em termos de erro de estimativa) foram mantidos.
80
Tabela 3.3 - Modelos de continuidade espacial (semi-variogramas) para as três variáveis

regionalizadas, subdomínio tálus.
Espessura de Acumulação de Acumulação de
Argila Absorção d’água Retração Linear
(m) (%.m) (%.m)
2 2
Efeito Pepita 0,30 m 0,30 (%.m) 0,10 (%.m)2
Modelo Variográfico exponencial exponencial esférico
2 2
Sill 0,70 m 0,70 (%.m) 0,65 (%.m)2
1a Maior Continuidade N35W N35W N25W
Estrutura Alcance 100 m 86 m 82 m
Menor Continuidade N55E N55E N65E
Alcance 53 m 66 m 38 m
Modelo Variográfico -- -- esférico
Sill -- -- 0,25 (%.m)2
2a Maior Continuidade -- -- N25W
Estrutura Alcance -- -- 595 m
Menor Continuidade -- -- N65E
Alcance -- -- 180 m
OBS: Todos os variogramas estão padronizados [variância total = 1m2 ou 1 (%.m)2].
3.3.3 Tendências Gerais
A análise estrutural efetuada, compreendendo o modelamento

variográfico das variáveis nos dois subdomínios distintos, evidenciou a total
influência de estruturas NW-SE a NNW-SSE na continuidade maior das
variáveis, por sua vez vinculada à sedimentação da drenagem principal a W,
concordantemente orientada. O ambiente mais “truncado” e irregular do tálus
resulta numa menor continuidade, e anisotropia menos marcada. A Figura
2.12 já chamava a atenção para estruturas mais erráticas e de menor escala,
que encaixam os pequenos cursos dágua retrabalhando e redistribuindo a
argila ocorrente, conseqüentemente contribuindo para essa menor
continuidade. Em ambos os subdomínios, especialmente na planície, o
comportamento espacial (variográfico) da acumulação de absorção d’água é
sobremaneira influenciado pela espessura, a exemplo do já observado
81
anteriormente na análise estatística básica. Por outro lado, a acumulação de

retração linear mostra-se mais independente de tal influência.
As direções de maior continuidade para as variáveis estão
sumarizadas graficamente na Figura 3.20. A acumulação de retração linear,
embora mantendo exatamente a mesma direção nos dois subdomínios,
apresenta características distintas nos dois modelos variográficos, conforme
discutido acima.
N N
Figura 3.20 - Sumário das direções de maior continuidade espacial para as variáveis
regionalizadas em estudo nos dois subdomínios.
3.4 Estimativa e Classificação da Argila
Toda a discussão a respeito do banco de dados em estudo até aqui

tem sido de ordem puramente descritiva, começando pelos aspectos
geológicos e industriais contextuais (Capítulo 2), continuando ao longo do
presente capítulo pela análise exploratória dos dados e finalmente resultando
no modelamento de continuidade espacial. A partir dos modelos variográficos
ajustados para todas as variáveis de interesse nos dois subdomínios de
estudo, discutidos ao longo do item 3.3, as informações amostrais obtidas
serão usadas para cálculo dos recursos presentes no depósito: serão
estimados, através de método geoestatístico em suporte de blocos de lavra,
os parâmetros de qualidade e a espessura do horizonte de interesse. Com
isso será classificada bloco-a-bloco a argila existente, de acordo com os
82
critérios cerâmicos discutidos no item 2.3, bem como serão quantificados os

recursos geológicos existentes.
Os resultados obtidos para estimativa e classificação da argila em
cada subomínio considerado (item 3.4.2) possibilitarão a apreciação das
feições globais do depósito (Apêndice D), em termos da quantificação dos
recursos (in situ), além do estudo da relação cobertura estéril / minério. Essa
avaliação permitirá a obtenção do cenário mais provável dos recursos
geológicos, e como tal uma ferramenta para primeiras decisões concernentes
ao mapeamento de regiões mais promissoras em termos de mineração de
argila cerâmica, em escala de blocos de lavra.
A avaliação de reservas através da estimativa, com posterior
classificação dos blocos estimados, foi realizada aplicando o consagrado
método de krigagem ordinária em blocos (Matheron, 1963). Os resultados
são apresentados para as variáveis regionalizadas em três subdomínios: os
dois domínios geológicos originais, planície e tálus, e a zona de transição
entre estes, individualizada simplesmente como “transição”. Os aspectos
envolvendo este desmembramento serão desenvolvidos ao longo deste item.
Nenhuma restrição de cunho mineiro (e.g., espessura mínima recuperável de
argila) será considerada nesta avaliação inicial, apenas o respeito aos
requisitos industriais que classificam a argila nos tipos cerâmicos discutidos
no capítulo prévio. Igualmente não será ainda quantificada a incerteza
envolvida na predição e classificação de reservas geológicas. Tal abordagem
probabilística de quantificação de riscos na estimativa de reservas
recuperáveis constituirá objeto de estudo do Capítulo 4.
3.4.1 Método de Krigagem
A teoria geral de krigagem, método geoestatístico básico de

estimativa, e sua relação com estimativa de recursos in situ é abordada em
Journel & Huijbregts (1978, Cap.V). Esta mesma obra (p.343-344), a exemplo
de Isaaks & Srivastava (1989, Cap.11), compara a krigagem com outros
métodos de estimativa tais como polígonos de influência, popularmente
utilizado em depósitos de argila na região considerada. O nome empregado a
83
este método de estimativa foi cunhado por Matheron na década de 60, em

honra de D.G. Krige e seus estudos empíricos nas minas de ouro da África do
Sul nos anos 50 (Olea, 1991 p.41).
A krigagem constitui o cerne do campo da geoestatística linear,
compreendendo um método de estimativa linear que fornece valores
estimados não tendenciosos “ótimos”, pontuais ou médias de blocos, a partir
de um modelo de covariância/variograma ajustado a uma determinada
variável em um determinado domínio. Essa otimização diz respeito à
obtenção de médias amostrais ponderadas de pontos vizinhos com mínima
variância de erro (mínima variância de estimativa ou variância de krigagem).
Em contraste com a clássica regressão linear, a krigagem leva em
consideração a dependência estocástica entre os dados (Olea, 1991 p.41).
Três variantes principais de krigagem são conhecidas (Goovaerts, 1997
p.126-127):
(i) Krigagem Simples: considera a média como conhecida e
constante em todo o domínio de estimativa. A média tem peso
na estimativa também, e não há restrição ao total dos pesos.
(ii) Krigagem Ordinária: permite variações locais da média limitando
o domínio de estacionaridade da média à vizinhança local
(estacionaridade local). Ao contrário da krigagem simples, a
média aqui é assumidamente desconhecida e subjacentemente
estimada. A soma dos pesos amostrais deve totalizar 1.
(iii) Krigagem com modelo de trend: considera que a média local
varia suavemente em cada vizinhança local, e por extensão ao
longo de todo o domínio considerado.
Em aplicações mineiras, a krigagem ordinária é de longe o método
mais popular, tendo sido aplicada no presente estudo de caso no suporte de
blocos. A krigagem simples constitui uma etapa da simulação seqüencial
Gaussiana, método aplicado na presente dissertação na análise de reservas
recuperáveis (Capítulo 4). A krigagem com modelo de trend, popular em
aplicações de petróleo e hidrologia, não será aqui aplicada.
Maiores detalhes sobre a teoria de krigagem, aprofundando diferenças
de krigagem ordinária e krigagem simples, e abordando todo o embasamento
teórico e aplicacional desta metodologia consagrada de estimativa, podem
84
ser vistos em uma série de trabalhos clássicos, entre os quais: David (1977,
Caps.9 e 10), Journel & Huijbregts (1978, Cap.V), Clark (1979, Cap.5), Isaaks
& Srivastava (1989, Cap.12), Goovaerts (1997, Cap.5), Deutsch & Journel
(1998, Cap.IV), Armstrong (1998, Caps.7, 8 e 9), Olea (1999, Caps.2 e 4) e
Chilès & Delfiner (1999, Cap.3).
3.4.1.1 Krigagem Ordinária em Blocos
Numa avaliação de recursos geológicos ou reservas minerais como a

do presente caso, de conotações mineiras, onde há volumes/tonelagens
mínimos a serem minerados como uma unidade de lavra (no caso da
indústria cerâmica, lotes industriais), é necessário utilizar-se um método que
estime valores médios em blocos. É o caso da krigagem ordinária em blocos.
Na definição de Olea (1991, p.7), a krigagem em blocos compreende uma
estimativa de krigagem de valores médios considerados num suporte maior
que o suporte amostral, os quais no caso de furos de sondagem a trado
podem ser considerados aproximadamente como “pontos”, dada a
insignificância do volume de testemunhos em relação ao domínio a ser
estimado. O sistema de equações da krigagem em blocos é o mesmo que
para krigagem pontual (suporte da estimativa = suporte das observações),
exceto que o lado direito da função estrutural do suporte amostral é reposto
por seu valor médio entre o bloco e suporte da observação.
Segundo Isaaks & Srivastava (1989, p.323), a krigagem em blocos
discretiza a área local (bloco) em muitos pontos e então faz a média das
estimativas dos pontos tomados simultaneamente para fornecer a média
sobre essa determinada área local ou bloco. Computacionalmente, envolve
um ônus maior, pois as matrizes de krigagem em blocos envolvem um
número muito maior de pontos, demandando tempo e memória
computacional. O Capítulo 13 de Isaaks & Srivastava (1989) analisa em
detalhe todo o sistema de krigagem em blocos, e compara as estimativas
diretas de blocos com médias de estimativas pontuais feitas
independentemente umas das outras.
85
Para poder-se aplicar este método, é necessária que a variável seja

aditiva, ou seja, o processo de obter a média de diferentes pontos seja linear.
Goovaerts (1997 p.152-158), enfatiza esse aspecto, apresentando ainda todo
o desenvolvimento do sistema de krigagem em blocos e suas implicações.
A Figura 3.21 mostra esquematicamente como é feita a aproximação
da covariância ponto amostral / bloco a ser estimado, Cov{Z(uα), ZV(uα)}, pela
média das covariâncias ponto amostral / pontos discretizadores do bloco,
Cov{Z(uα), ZV(u’i)}, entre o dado amostral uα e cada um dos quatro pontos
discretizadores u’1 a u’4. V(u) é o bloco a ser estimado, com centróide em “u”.
Figura 3.21 - Aproximação da relação de continuidade espacial (covariância ou variograma)

ponto amostral/bloco pela relação ponto amostral/pontos discretizadores do bloco.
Fonte: Goovaerts (1997, p.155).
No caso de depósitos minerais de matérias-primas cerâmicas,

especialmente argila, para a tomada de decisões em relação ao
aproveitamento de uma jazida é fundamental estimar não apenas a média
global dos atributos, mas todas as variações mapeáveis locais. Estimativas
pontuais ficam sem sentido, uma vez que no cotidiano industrial lotes de
dimensões variáveis (comumente 1.000 ou 2.000 t) são homogeneizados e
enviados às fábricas para processamento cerâmico. Portanto, estimativas em
blocos são mais apropriadas.
Na estimativa dos atributos para o presente estudo de caso,
apresentada a seguir, intenciona-se obter estimativas acuradas para blocos
de lavra, aplicando o método de krigagem ordinária de blocos. O mesmo
suporte de bloco será utilizado no Capítulo 4 para estudo de variabilidade da
argila em reservas recuperáveis.
86
3.4.2 Resultados Obtidos
As estimativas foram feitas em blocos bidimensionais 25m x 25m, com

centróides coincidentes com a posição dos furos de sondagem. O processo
de krigagem ordinária em blocos das variáveis regionalizadas de interesse
(espessura da argila e parâmetros de qualidade acumulados com a
espessura) seguiu a fundamentação teórica apresentada no item anterior.
A opção por estimar-se em blocos decorre dos procedimentos de
mineração segundo blocos de lavra, formando lotes homogêneos a serem
enviados para o processamento cerâmico, no caso do enquadramento como
minério. As dimensões destes lotes são de 1.000 t ou 2.000 t, o que dado o
peso específico de 2 t/m3 (assumido como constante para essa argila),
corresponde respectivamente a volumes de 500 m3 e 1000 m3 in situ. Este
volume está na mesma ordem de grandeza do volume dos blocos krigados:
25m x 25m x espessura estimada (variando entre 0,540 e 1,972 m, como
será visto adiante).
A espessura foi aqui krigada diretamente, separadamente de absorção
d’água, tanto na planície quanto no tálus, apesar da boa correlação negativa
existente (item 3.2.2.2). Conforme discussão sobre variogramas cruzados
apresentada no item 3.3.1, testes em Stangler (1999) com o mesmo banco de
dados (considerado globalmente sem a separação em subdomínios), para
diferentes maneiras de obter-se valores estimados de espessura, via
krigagem ou cokrigagem com acumulação de absorção d’água, evidenciaram
o não advento de qualidade significativa de estimativa final na cokrigagem:
resultados muito semelhantes entre si a partir dos dois tipos de estimativas.
Estimativas (*) de parâmetros de qualidade em escala de blocos foram
realizadas indiretamente, dividindo o valor estimado para as acumulações
(expressos em %.m), pelo valor estimado de espessura (expressa em m)
para o mesmo bloco, obtendo os valores finais em sua unidade original (%):
VQbl* = AcVQbl* / Espbl* (3.7)
onde: VQbl* = estimativa da variável de qualidade, em bloco; AcVQbl* =

estimativa da acumulação da variável de qualidade, para o mesmo bloco de
87
VQbl*; Espbl* = estimativa da espessura de argila para o bloco

correspondente;
Os critérios de busca dos pontos amostrais vizinhos, tais como:
números mínimo e máximo de pontos considerados, máximo de pontos por
quadrante e dimensões da elipse de busca foram testados e comparados
individualmente por variável em cada subdomínio. Decidiu-se então pelas
condições que se mostraram mais adequadas, em termos de resultados
propriamente ditos e em termos de âmbito da área total krigada. A
discretização dos blocos foi invariavelmente constituída de 10 pontos no eixo
X e 10 pontos no eixo Y, correspondendo portanto a uma discretização em
100 pontos, número julgado suficiente após testes comparativos com
diferentes graus de discretização, em relação à estabilização do valor médio
da função variograma interna dos blocos ( γ , ou simplesmente gammabar)
com o progressivo aumento da discretização. A orientação da elipse de busca
também sempre coincidiu com os eixos de anisotropia dos modelos de
continuidade espacial, para cada variável.
Os resultados foram checados por validação cruzada (Isaaks &
Srivastava, 1989 Cap.15), ajudando a consolidar a escolha dos parâmetros,
bem como a definir o posicionamento do efeito pepita nos modelos
variográficos, i.e., seu percentual sobre a variância total. Em geral as
estimativas mostraram-se pouco sensíveis a variações do efeito pepita.
De acordo com o explanado no item 2.2.2, o ambiente geológico de
leques aluviais operante na formação do depósito de argila, com
subambientes no interior da área sondada de planície aluvial e de tálus,
propicia interdigitações faciológicas entre os dois subdomínios. De fato, há
efetivamente uma zona de transição entre estes subdomínios, como bem
evidencia a Figura 2.7, ao invés de contatos abruptos demarcados por falhas
ou discordâncias litológicas. Do ponto de vista geoestatístico essa zona
apresenta características amostrais estatísticas e de continuidade espacial
comuns aos dois subdomínios, reiterando sua natureza transicional, onde as
feições geoestatísticas do depósito mudam gradualmente na passagem de
um subdomínio geológico ao outro. Esse tipo de situação é abordado em
88
Rendu (1984), prevendo a possiblidade de tratamento desta zona de

transição separadamente.
No presente estudo de caso, onde modelos variográficos foram
ajustados separadamente para ambos os subdomínios, utilizando-se as
respectivas amostras para cada modelamento, deparou-se com algumas
dificuldades para a krigagem nesta zona de transição, especialmente em se
tratando de estimativas em suporte de blocos. Regiões limítrofes acabavam
sofrendo perda de informação ao desconsiderar-se amostras vizinhas, de
continuidade deste mesmo subambiente transicional, num truncamento
artificial. Alguns testes foram realizados para estimativa de blocos nesta
região, considerando-se a cada vez amostras e modelos de um e de outro
lado do contato geológico, e comparando-se os resultados. Observou-se que
os resultados se mostraram significativamente diferentes entre si,
especialmente para retração linear, de comportamento bem distinto para
cada subdomínio, com impactos diretos na classsificação cerâmica dos
blocos estimados. O trabalho de Pawlowsky et al. (1993) aborda a incerteza
gerada em regiões de borda, no caso de limites geológicos não estarem
claramente definidos.
Optou-se então por krigar o domínio integral (planície+tálus) utilizando
todas as amostras indistintamente, filtrando posteriormente somente os
blocos desta região de transição. A delimitação desses blocos levou em
consideração os aspectos de características cerâmicas amostrais distintos
para ambos os domínios, discutidos anteriormente neste capítulo, e a
constatação de uma faixa intermediária neste sentido. A este critério somam-
se todas as feições de transição geológica abordadas no item 2.2.2.
Para a zona de transição, como cada uma das três variáveis apresenta
dois modelos variográficos distintos, um para cada subdomínio, cada variável
foi krigada duas vezes, ao longo de toda a área e utilizando todas as
amostras, mas a cada vez aplicando o modelo variográfico ajustado para um
dos subdomínios. Desta forma a variância de krigagem, tipicamente maior
em zonas periféricas, diminui consideravelmente, numa maneira similar aos
exemplos citados por David (1988, p.129-134) neste tipo de situação.
Conforme apontado por este trabalho, mesmo com tendências distintas para
as variáveis em ambos os subdomínios, a influência dos valores amostrais
89
desta zona de transição no centro de cada subdomínio acaba sendo

automaticamente restringida pelo próprio algoritmo de krigagem, cujos pesos
de estimativa decrescem com o distância geoestatística progressiva de tais
amostras. A Figura 3.22 mostra diagramas de correlação entre os resultados
obtidos por cada variável, nesta dupla krigagem dos blocos da zona da
transição. Para as variáveis de qualidade foram plotados diretamente os
resultados finais, obtidos da divisão das respectivas acumulações pela
espessura (equação 3.7).
ZONA DE TRANSIÇÃO
(a)
(b) (c)
Figura 3.22 - Comparativo de resultados finais entre estimativas a partir dos modelos
variográficos da planície contra estimativas a partir dos modelos variográficos do tálus, para os
blocos krigados na zona de transição, variáveis espessura (a), absorção d’água (b) e retração
linear (c).
A alta correlação entre estimativas para mesmas variáveis em mesmos

blocos, obtidas a partir de distintos modelos variográficos, demonstra a
importância das características locais na continuidade das amostras neste
ambiente de transição, as quais mesmo com modelos diferentes, originam
90
valores estimados muito semelhantes entre si. Diante desta proximidade dos
resultados, tomou-se como valor de estimativa definitivo simplesmente a
média aritmética entre os dois valores obtidos em cada bloco, para cada
variável.
A Figura 3.23 mostra esquematicamente o processo de transformação
efetiva de uma linha de contato transicional entre dois subdomínios em um
subdomínio à parte, a zona de transição, ou simplesmente “transição”,
denominação com que será tratado ora em diante.
↑N ↑N
T T
P P
contato geológico transicional

limites de estimativa
T tálus
P planície
zona de transição
Figura 3.23 - Transformação dos originalmente dois subdomínios geológicos/geoestatísticos em
três subdomínios de estimativa, com a adição da "transição" como subdomínio independente.
Aproximadamente 50% dos blocos deste domínio são provenientes da

antiga planície, e o restante do antigo tálus. Além disso, adotou-se o critério
de não extrapolar-se nas bordas externas do domínio total estimado. A
extensão em área das antigos subdomínios planície e tálus foi assim
diminuída significativamente. A Tabela 3.4 apresenta um quadro-resumo do
número de blocos e extensão em área para os 3 subdomínios definitivos.
91
Tabela 3.4 - Número de blocos estimados em cada subdomínio e respectivas extensões em área.
Tálus Planície Transição Total
215 = 13,4 4 ha 245 = 15,31 ha 131 = 8,19 ha 591 = 36,94 ha
A partir dos resultados da krigagem em blocos, após a conversão final

bloco-a-bloco da acumulação krigada no valor estimado da variável de
qualidade original, pôde-se classificar a argila estimada em estéril ou em um
dos dois tipos de minério apresentados anteriormente (Tabela 2.3), no
suporte de blocos de lavra. Com a espessura estimada em cada bloco,
considerando a área deste (625 m2) e peso específico da argila (2 t/m3)
constantes, foi possível também quantificar por bloco e por subdomínio a
tonelagem total estimada de argila, de cada tipo classificado.
Em resumo, as estimativas efetuadas envolveram:
• 3 subdomínios: Planície, Transição e Tálus;

• 3 variáveis: espessura, absorção d’água e retração linear (variáveis
de qualidade krigadas indiretamente via acumulações);
• 3 produtos finais: argilas tipo Biqueima e Monoporosa, e estéril.
A seguir são apresentados em cada subdomínio separadamente e

para cada variável de interesse, os resultados da krigagem em blocos, com
sua classificação cerâmica em função dos parâmetros de qualidade
estimados. Uma caracterização global da área pesquisada (vista como um
todo) é apresentada no Apêndice D, incluindo um quadro-resumo dos
recursos geológicos globais.
3.4.2.1 Planície
Os resultados da krigagem em blocos para o subdomínio planície são

apresentados na Figura 3.24. A já comentada maior homogeneidade
geológica e cerâmica da argila ocorrente neste domínio é nítida ao observar-
92
se a Figura 3.24a. A este fator adiciona-se o habitual efeito suavizador da

krigagem, acentuado pela diluição de eventuais pontos isolados de valores
mais extremos quando embutidos no suporte de blocos. Apenas o canto NW
apresenta valores mais altos, decorrentes da maior proximidade da fonte da
sedimentação, resultando em sedimentos comparativamente mais arenosos
(quartzosos), com isso elevando os valores de absorção d’água.
A combinação dos valores estimados para as duas variáveis de
qualidade permitiu a classificação da argila ocorrente. A Figura 3.24b mostra
a favorabilidade deste subdomínio em termos de proporções de argila
estimada enquadrado em um e em outro grupo cerâmico, quando esta
variável é considerada isoladamente. A argila é classificada segundo a
combinação de dois parâmetros de qualidade, conforme já apontado,
diminuindo consideravelmente o número de blocos “mineralizados” (Figura
3.25c e d). Comparando com figura similar dos valores pontuais amostrais
(Figura 3.12c), percebe-se uma redução do percentual da argila tipo
monoporosa, mais nobre. Isso confirma o impacto e ao mesmo tempo o
perigo de estender-se os valores pontuais mais extremos para blocos, ainda
que de pequena dimensão, desprezando o “efeito suporte”. Os reflexos de
diferentes suportes na variância dos valores e na recuperação de reservas
serão abordados em maior detalhe no Capítulo 4.
Os blocos classificados como argila tipo Biqueima (Figura 3.24c)
abrangem a maior parte em área da planície (207 blocos de um total de 245),
confirmando a favorabilidade da planície para argila deste tipo, especialmente
no tocante à boa constância dos valores (a escala de valores abrange os
limites dos valores permitidos para esta variável em argila biqueima).
Algumas lacunas estão presentes na região SE, correspondendo em maior
parte aos poucos (13) blocos classificados como monoporosa, e na região W
e NW a material estimado como estéril. Os blocos tipo monoporosa (Figura
3.24d) aparecem concentrados no extremo E do domínio, com valores
estimados no limite para argilas tipo biqueima.
93
(a) (b)
(c) (d)
Figura 3.24 - Resultados da krigagem em blocos 25m x 25m para a variável absorção d’água
(%) no subdomínio planície: (a) totalidade dos blocos estimados; (b) histograma de freqüência
acumulada ponderada com espessura contendo os limites de classificação cerâmica; blocos
classificados como biqueima (c) e monoporosa (d).
Em relação à estimativa em blocos da variável retração linear, a Figura

3.25a e b mostra uma maior heteregeneidade global de valores e sua
distribuição em relação à absorção d’água. A comparação do histograma
para os valores cubados de retração linear para blocos (Figura 3.25b) em
relação aos valores pontuais originais (Figura 3.25d), mostra significativas
diferenças, corroborando o perigo de estimativas do tipo polígono de
influência (tradicionalmente usadas em Santa Catarina para este tipo de
material) que desconsideram a diluição de valores extremos quando a argila
é estimada no suporte de blocos. Reiterando o já observado, os impactos na
classificação errônea da argila na lavra e na utilização nos processos
cerâmicos podem ser bastante negativos.
94
(a) (b)
(c) (d)
Figura 3.25 - Resultados da krigagem em blocos 25m x 25m para a variável retração linear (%)
no subdomínio planície: (a) totalidade dos blocos estimados; (b) histograma de freqüência
A Figura 3.25c e d mostra uma dispersão significativa dos valores

estimados para retração linear, nos blocos classificados em um dos dois tipos
de argila cerâmica, nos respectivos intervalos de classificação. Isso mostra
que tal classificação é mais errática para a retração linear comparando com o
outro parâmetro industrial.
Os resultados globais da estimativa em blocos realizada para a
espessura dos blocos de argila na planície são apresentados na Figura
3.26a. É notória uma concentração dos maiores valores (acima de 1,0 m)
junto ao centro-sul da área estimada, orientados NNW-SSE. Também mais
uma vez é nítida a habitual suavização dos valores amostrais pontuais
quando krigados num suporte de bloco, especialmente espessuras maiores
observados nos furos na porção centro-norte (a escala de valores engloba a
extensão total de dispersão dos valores amostrais).
95
(a) (b)
(c) (d)
Figura 3.26 - Resultados da krigagem em blocos 25m x 25m para a variável espessura (m) no
subdomínio planície: (a) totalidade dos blocos estimados; (b) histograma de freqüência dos
valores estimados; blocos classificados como biqueima (c) e monoporosa (d).
O histograma da Figura 3.26b mostra tal suavização em termos de

distribuição de freqüência, quando comparado ao histograma das amostras
na Figura 3.11b. Aliado à simetrização do histograma, há uma queda brusca
em seu CV, como esperado.
A Figura 3.27 apresenta a classificação geral dos blocos krigados em
estéreis ou mineralizados, denotando as boas perspectivas de
aproveitamento da argila neste subdomínio como um todo, especialmente na
sua porção centro-sul. Já a Figura 3.28a mostra percentualmente a alta
tonelagem da argila classificada como cerâmica neste subdomínio, em
relação à argila estimada como fora dos padrões, enquanto que a Figura
3.28b indica percentuais discriminados das tonelagens estimadas para os
dois tipos de argila cerâmica, com a ampla predominância da argila tipo
Biqueima.
96
700
600
500
400
300
Estéril
200
Argila Biqueima
Argila Monoporosa
100
0 100 200 300 400 500 600 700 (m)
Figura 3.27 - Distribuição espacial de blocos estéreis e mineralizados no subdomínio planície.
14% 5%
(a) 14% (b)
Monoporosa
Argila Cerâmica
Biqueima
Fora dos Padrões
Fora dos Padrões
86% 81%
Figura 3.28 - Percentuais estimados de tonelagens de argila classificada como cerâmica e fora dos
padrões (a), com discriminação dos tipos cerâmicos em (b)
3.4.2.2 Tálus
Os resultados da krigagem em blocos para a absorção d’água no

subdomínio tálus são apresentados na Figura 3.29a. Embora atenuada pelo
efeito suavizador da krigagem, somada à diluição de eventuais pontos
isolados de valores mais extremos quando embutidos no suporte de blocos, é
visível a maior variabilidade desta variável neste subdomínio em relação à
planície. É marcante a ocorrência de blocos com valores muito baixos na
porção centro-leste, indicando a transição para uma outra população,
conforme colocado no item 3.2.2.2.
A Figura 3.29b mostra a grande favorabilidade deste subdomínio em
termos de proporções de argila estimada nos intervalos mais nobres, quando
esta variável é considerada isoladamente. Porém, para a outra variável de
97
qualidade o panorama é bem diferente, como será visto adiante, fazendo com
que este número caia drasticamente (Figura 3.29c e d). Comparando com
valores pontuais amostrais (Figura 3.15c), observa-se que neste caso as
estatísticas, embora com menor dispersão, apresentam padrões semelhantes
no tocante ao enquadramento em intervalos de classificação cerâmica.
Os blocos classificados como argila tipo Biqueima (Figura 3.29c)
distribuem-se fragmentariamente no tálus, numa situação bastante
desfavorável em termos de possível explotação, agravada por ser uma região
parcialmente coberta por residências e cortada por estrada vicinal. Os blocos
tipo monoporosa (Figura 3.29d) apresentam-se em pequena quantidade,
muito dispersos e a exemplo da planície, com valores estimados para
absorção d’água no limite para argilas tipo Biqueima.
(a) (b)
(c) (d)
Figura 3.29 - Resultados da krigagem em blocos 25m x 25m para a variável absorção d’água (%)
no subdomínio tálus: (a) totalidade dos blocos estimados; (b) histograma de freqüência
98
Em relação à estimativa em blocos da variável retração linear, a Figura

3.30a e b mostra uma heteregeneidade global de valores maior que na
planície. O histograma na Figura 3.30b corrobora a situação altamente
desfavorável para esta variável e para este subdomínio em geral. A exemplo
da planície, a comparação do histograma para os valores cubados de
retração linear para blocos (Figura 3.30b) em relação aos valores pontuais
originais (Figura 3.15f), mostra significativas diferenças, especialmente no
tocante à redução da participação de material tipo monoporosa. Isso denota
mais uma vez o perigo de estimativas do tipo polígono de influência, podendo
causar impactos negativos na classificação errônea da argila.
(a) (b)
(c) (d)
no subdomínio tálus: (a) totalidade dos blocos estimados; (b) histograma de freqüência
A Figura 3.30c e d mostra uma dispersão significativa dos valores dos

blocos classificados como argila cerâmica, especialmente para biqueima,
com vários blocos nos limites superiores do intervalo de classificação. Os
99
poucos blocos classificados como monoporosa também estão em maioria nos

limites para argila biqueima. Isso mostra a margem de incertezas para a
retração linear neste subdomínio.
Os resultados globais da estimativa em blocos realizada para a
espessura dos blocos de argila no tálus são apresentados na Figura 3.31a. É
notória uma concentração dos maiores valores (acima de 1,0 m) junto ao
centro-leste da área estimada, orientados NNW-SSE, dando continuidade ao
paleocanal observado na planície. A suavização dos valores amostrais
pontuais quando krigados num suporte de bloco, é mais uma vez evidente
(Figura 3.31b), tendendo a apresentar espessuras estimadas ligeiramente
maiores que na planície (porém para um material em média pior, em termos
cerâmicos). A fragmentação dos blocos “mineralizados” torna a situação
também muito descontínua em termos de espessura estimada dos blocos,
acentuando ainda mais as dificuldades já registradas para este subdomínio.
(a) (b)
(c) (d)
subdomínio tálus: (a) totalidade dos blocos estimados; (b) histograma de freqüência dos valores
estimados; blocos classificados como biqueima (c) e monoporosa (d).
100

estéreis ou mineralizados, denotando a desfavorabilidade deste subdomínio,
ilustrada pelo grande percentual de tonelagem estimada de argila fora dos
padrões requeridos (Figura 3.33).
700
600
500
400
300
Estéril
200
Argila Biqueima
Argila Monoporosa
100
0 100 200 300 400 500 600 700
Figura 3.32 - Distribuição espacial de blocos estéreis e mineralizados: subdomínio tálus.
3%
(a) (b)
40% Monoporosa
Argila Cerâmica 36%
Biqueima
Fora dos Padrões
60% Fora dos Padrões
61%
padrões (a), com discriminação dos tipos cerâmicos em (b), subdomínio tálus.
3.4.2.3 Transição
Os resultados da krigagem em blocos para o subdomínio transição,

variável absorção d’água, são apresentados na Figura 3.34. Como seria de
se esperar, os resultados no geral são intermediários aos dois domínios
circundantes, embora com maior semelhança com a situação da planície,
principalmente em termos de homogeneidade da argila estimada (Figura
3.34a), com exceção do extremo NW, mais arenoso e de maiores valores de
absorção d’água, conforme já comentado.
101
A Figura 3.34b mostra a favorabilidade deste subdomínio em termos

de proporções de argila estimada enquadrado em um e em outro grupo
cerâmico, quando esta variável é considerada isoladamente. Em termos de
blocos mineralizados (Figura 3.34c e d), verifica-se uma situação semelhante
à encontrada na planície, em relação à constância dos valores, com os
blocos de monoporosa aparecendo com valores pouco mais distantes dos
limites monoporosa/biqueima. A região leste, onde aparecem os blocos de
argila tipo monoporosa, apresenta delimitação geográfica bastante difusa de
ocorrência de blocos classificados como um e outro tipo cerâmico.
(a) (b)
(c) (d)
Figura 3.34 - Resultados da krigagem em blocos 25m x 25m para a variável absorção d’água
(%) no subdomínio transição: (a) totalidade dos blocos estimados; (b) histograma de freqüência
Entretanto, em relação à estimativa em blocos da variável retração

linear, a Figura 3.35a e b mostra uma situação consideravelmente mais
desfavorável que na planície, acentuando as diferenças entre os dois
subdomínios. A Figura 3.35c e d confirma uma maior heterogeneidade dos
102
valores e a maior tendência aos blocos encontrarem-se nos limites superiores

dos intervalos classificatórios, tornando esse subdomínio um pouco mais
crítico em relação a esta variável.
(a) (b)
(c) (d)
no subdomínio transição: (a) totalidade dos blocos estimados; (b) histograma de freqüência
Os resultados da estimativa em blocos realizada para a espessura dos

blocos de argila na planície são apresentados na Figura 3.36a. Mais uma vez
é visível uma concentração dos maiores valores (acima de 1,0 m) no centro
desta faixa estimada, orientados NNW-SSE. O histograma da Figura 3.36b
mostra uma distribuição semelhante a dos valores de espessura da planície,
porém estes tendem aqui a serem um pouco maiores, caracterizando já a
gradação para o tálus: maior espessura, porém pior em termos cerâmicos. A
Figura 3.36c e d confirma as tendências acima observadas, também para os
blocos mineralizados.
103
(a) (b)
(c) (d)
subdomínio transição: (a) totalidade dos blocos estimados; (b) histograma de freqüência dos
valores estimados; blocos classificados como biqueima (c) e monoporosa (d).

estéreis ou mineralizados, indicando favorabilidade no centro e centro-leste,
nesta última porção com ocorrência de alguns blocos classificados como
monoporosa. Já a Figura 3.38a e b mostra uma situação semelhante à
reportada para a planície em termos percentuais de recursos geológicos.
104
700
600
500
400
300
Estéril
200
Argila Biqueima
Argila Monoporosa
100
0 100 200 300 400 500 600 700
Figura 3.37 - Distribuição espacial de blocos estéreis e mineralizados: subdomínio transição.
22% 8%
(a) (b) 22%
Monoporosa
Argila Cerâmica
Biqueima
Fora dos Padrões
Fora dos Padrões
78%
70%
padrões (a), com discriminação dos tipos cerâmicos em (b), subdomínio transição.
3.5 Relação Estéril/Minério
Na avaliação de recursos geológicos de um depósito mineral, é

importante também considerar a relação cobertura estéril / minério, ou
simplesmente a relação estéril/minério. Tal fator dá uma idéia do custo
relativo de extração, podendo em jazidas de minerais industriais de baixo
custo unitário, como o caso presente, inviabilizar a exeqüiblidade econômica
de um projeto de lavra.
O depósito em estudo apresenta uma situação muito favorável neste
sentido, especialmente no subdomínio planície e adjacências da transição,
onde a qualidade cerâmica estimada é melhor, conforme item anterior.
Através de levantamentos topográficos de detalhe na área em estudo,
Stangler et al. (2001b), Apêndice A, avaliaram o risco na estimativa desta
razão estéril-minério, englobando limites pouco maiores que o envelope final
da planície. Uma combinação de métodos geoestatísticos de krigagem,
105
modelando as supefícies do terreno e da capa do horizonte argiloso e com

isso obtendo o volume de material estéril de cobertura, e de simulações
estocásticas da espessura do horizonte argiloso, obtendo diferentes volumes
totais de minério, propiciaram a apreciação de cenários extremos (otimista e
pessimista) e mediano, em termos da quantificação da relação estéril/minério.
Foi constatado que para estes cenários extremos tal índice oscilou
entre 0,160 e 0,170 m3/t, com um cenário mediano de 0,165 m3/t, portanto
entre aproximadamente 3% acima e 3% abaixo desse valor intermediário, por
sua vez já bastante baixo. Estas pequenas oscilações esperadas certamente
não irão impactar a exeqüibilidade econômica de um eventual
empreendimento mineiro. Maiores detalhes desta avaliação de riscos na
relação estéril-minério da porção S do depósito são apresentados em
Stangler et al. (2001b), Apêndice A.
3.6 Discussão dos Resultados
Os resultados obtidos das estimativas em blocos realizadas com

classificações cerâmicas a partir dos valores estimados dos parâmetros de
qualidade, e quantificação de reservas de cada tipo com base nas
espessuras estimadas, permitiram a caracterização de feições mais
marcantes da jazida em termos de recursos geológicos.
A porção mais promissora em termos de recursos de argila com
aproveitamento cerâmico é indiscutivelmente a planície, tanto em termos de
quantidade e qualidade do material estimado, quanto de sua continuidade e
aparente menor variabilidade, além de relação estéril/minério bastante
favorável. O tálus, além de comportar um domínio geologicamente mais
heterogêneo, tende a ser mais pobre em termos de qualidade cerâmica,
ainda que com espessuras ligeiramente maiores. O caráter descontínuo dos
blocos classificados como argila cerâmica, sua relativa pouca incidência e
sua localização em região residencial desestimulam o prosseguimento de
trabalhos. A transição, como o próprio nome indica, apresenta características
comuns a ambos os subdomínios, denotando com isso uma situação à parte,
razão pela qual foi estimada separadamente. Resultados satisfatórios em
106
termos de uma variável de qualidade, a absorção d’água, não

corresponderam da mesma forma para a variável considerada mais crítica, a
retração linear.
A estimativa em suporte de blocos mostrou características
significativamente distintas das amostras de trado iniciais. Isso confirma o
perigo do uso tradicionalmente empregado neste tipo de depósitos na região
de métodos tais como o polígono de influência, além da total
desconsideração a feições geológicas de continuidade espacial.
Cabe registrar que, embora consagrado como método de estimativa
com todas as suas virtudes, a krigagem apresenta algumas limitações. A
variância de krigagem, como é independente dos valores amostrais, apenas
provê uma comparação de configurações amostrais, não sendo desta forma
uma medida apropriada de acuracidade de estimativas locais (Deutsch &
Journel, 1998 p.15). Por esta razão, nesta dissertação a variância de
krigagem não é tomada como um critério de avaliação de variabilidade dos
atributos. Ferramentas como simulações estocásticas serão utilizadas neste
sentido no Capítulo 4. Além disto, a krigagem tem sido muito combatida como
método de avaliação de reservas recuperáveis, por suavizar a variância e a
variabilidade de predições, dando margem a erros em classificações e não
permitindo inferir o nível de incerteza sobre uma determinada estimativa.
Porém, na opinião do autor continua sendo um método válido para
mapeamento, classificação e apreciação de recursos geológicos (reservas in
situ), fornecendo imagens iniciais prováveis dos recursos de um determinado
depósito, indicando regiões de potencialidade e com isso orientando atitudes
iniciais para planejar trabalhos e decisões a seguir. Em função disso, esse
método foi aplicado no presente capítulo, na modalidade de krigagem em
blocos, para a quantificação dos recursos geológicos existentes e
classificação cerâmica da argila ocorrente neste suporte.
A partir dos resultados promissores para recursos geológicos no
subdomínio planície, optou-se por avaliar incertezas nas classificações
cerâmicas deste domínio, bem como nas diferentes espessuras mínimas,
antecipando a comparação de métodos de diferente seletividade na extração
da argila. Tal avaliação será objeto de estudo do Capítulo 4.
Capítulo 4
Análise das Reservas Recuperáveis
A partir da avaliação dos recursos geológicos realizada no capítulo

precedente, onde nos modelos de blocos apresentados diferentes tipos
cerâmicos de argila foram estimados e classificados em diferentes
segmentos do depósito em estudo, pôde-se identificar a planície como o
subdomínio mais favorável da área sondada. Por sua vez, o tálus mostrou
resultados da krigagem pouco encorajadores, enquanto a transição
apresentou resultados intermediários, com sérias restrições apontadas.
Porém, os resultados favoráveis obtidos na planície, além de não levarem em
conta nenhum critério de seletividade mineira, também não apresentam
consigo nenhuma quantificação do risco associado com essa predições.
Uma avaliação das reservas recuperáveis, i.e., daquela fração dos
recursos geológicos efetivamente minerável (no caso presente atendendo
exigências industriais e de seletividade mineira), é realizada no presente
capítulo. Métodos de geoestatística não-linear são aplicados. Essa análise é
restrita à planície, único subdomínio com potencial maior para ser portador de
reservas significativas de argila cerâmica, conforme apontado anteriormente.
Simulações estocásticas condicionais são aplicadas no estudo de
reservas recuperáveis, mais especificamente através do método da
simulação seqüencial Gaussiana (ssG). O intuito desse procedimento é
quantificar a variabilidade bloco-a-bloco da argila e o risco associado, nas
classificações cerâmicas e conjuntamente nos montantes de reservas
recuperáveis, segundo critérios de seletividade mineira (espessura mínima
108
minerável). As três variáveis são envolvidas nas simulações, ainda que

indiretamente no caso das variáveis de qualidade (uso de acumulações).
Esse enfoque probabilístico permite a apreciação de cenários extremos
(otimista e pessimista) e medianos, quantificando incertezas ou riscos nas
reservas, tanto em nível local quanto global.
4.1 Campo da Geoestatística Não-Linear
Na quantificação dos recursos geológicos apresentada no Capítulo 3,

estimativas das variáveis de interesse foram obtidas através de krigagem
ordinária em blocos, consagrado método do campo da geoestatística linear
fornecendo valores « ótimos » - mínima variância do erro de krigagem.
Entretanto, há situações em que o interesse central reside antes em
saber em que proporção a variável de interesse excede um determinado
valor de referência (threshold ou cutoff), prioritariamente à estimativa
propriamente dita da variável de interesse. Os trabalhos pioneiros de
Matheron (1973) e Maréchal (1976) já abordavam esse tipo de problema.
A quantificação e parametrização de reservas recuperáveis é um típico
exemplo de análise não-linear deste tipo. A questão básica nestes casos é a
determinação da função de distribuição cumulativa F(z)=Pr{Z(x)<z}, onde
Pr=probabilidade, Z(x)=variável aleatória e z=valor de referência (« cut-off »),
conforme Chilès & Delfiner (1999, p.375). Essa distribuição pode ser tanto
local quanto global. Esses métodos da chamada geoestatística não-linear são
geralmente muito afetados pelos efeitos suporte e informação (Cruz Júnior,
1998, e Cruz Júnior & Remacre, 2001), conforme será discutido ao longo
deste capítulo. Diversos tipos de curvas de parametrização de reservas
podem ser obtidos, estabelecendo relações entre tonelagem e teor, conforme
discutido em Rivoirard (1994).
Métodos geoestatísticos lineares clássicos como a krigagem não são
adequados para esse tipo de aplicação, pois suavizam por demais os valores
estimados da variável de interesse, acarretando em viés positivo ou negativo
na predição da recuperabilidade dos recursos. Além disso, esse tipo de
estimadores não reproduz a variabilidade espacial dos valores reais, e por
109
conseqüência inviabiliza a obtenção da proporção de valores reais acima de

um determinado « cut-off » (Journel & Huijbregts, 1978 p.556).
Vários métodos geoestatísticos não-lineares têm sido tradicionalmente
aplicados no estudo de reservas recuperáveis (Chilès & Delfiner, 1999
Cap.6), tais como: esperança condicional, condicionamento uniforme
(Remacre, 1984), métodos da indicatriz em geral, krigagem lognormal e a
krigagem disjuntiva. O uso de simulações condicionais na análise de
reservas, tal como aplicado nessa dissertação, é comparativamente bem
mais recente, conforme alguns exemplos citados no item 1.1.
4.2 Definição de Reservas Recuperáveis
Segundo Olea (1991, p.64), reservas recuperáveis compreendem a

fração das reservas in situ (=recursos geológicos) de uma mina ou jazida que
é economicamente viável. Assim, as reservas recuperáveis serão menores,
ou no máximo (muito raramente) iguais aos recursos geológicos, os quais
são medidos em sua totalidade no seu lugar natural de ocorrência,
independentemente de aspectos técnicos ou econômicos relacionados com
sua explotação (Olea, 1991 p.67). Esta noção de grau de recuperabilidade
envolve considerações financeiras, técnicas, sócio-econômicas e ambientais.
A abordagem a seguir restringe-se aos aspectos técnicos (mineiros e
industriais) do depósito em estudo, não adentrando em análises de
viabilidade econômico-financeira de um eventual projeto mineiro, o que fugiria
ao escopo do trabalho.
As diferenças entre reservas recuperáveis e in situ e todas as
implicações envolvidas são abordadas no item 4.2.1. Um enfoque específico
para o caso de reservas de argila cerâmica é apresentado no item 4.2.2.
4.2.1 Reservas Recuperáveis X Reservas in situ
Este tem sido um dos mais importantes tópicos da geoestatística

mineira, pois reservas in situ não são usualmente suficientes para
110
caracterizar um corpo de minério (David, 1988 p.142). Os termos « seleção »

e « reservas recuperáveis » só passam a ter algum significado no momento
em que eles são usados no contexto de condições tecnológicas precisamente
definidas para a recuperação (Journel & Huijbregts, 1978 p.21). Essa
definição de condições tecnológicas normalmente está atrelada à aplicação
de algum teor de corte (cut-off). No estudo de caso presente, são
considerados intervalos de parâmetros de qualidades que definem dois tipos
de argila cerâmica, e também diferentes espessuras mínimas mineráveis,
antevendo diferentes níveis de seletividade mineira. Na seleção dos blocos
de lavra recuperáveis, não foi levada em consideração diretamente o
posicionamento dos blocos no contexto dos blocos circundantes no depósito
(« seleção de restrições »), caracterizando assim a chamada « seleção livre »
(Remacre, 1984). Assim, as reservas recuperáveis não se adequarão
necessariamente a um plano de lavra definido, numa abordagem similar à
realizada em Cruz Júnior (1998, p.3).
David (1977, Cap.11) apresenta uma discussão sobre a inter-relação
entre curvas de parametrização (teor-tonelagem), seleção minério-estéril e
problemas de decisões de operações mineiras e planejamento de lavra.
Segundo este autor, o ponto crucial é saber a recuperação de amanhã com
base na informação de hoje (=amostras).
Quando se fala em diferenciações entre reservas recuperáveis e
recursos geológicos (=reservas in situ), é inevitável uma breve revisão do que
se entende como « minério », ou, sendo mais generalista, daquele material
natural que se pode considerar como minerável técnica e economicamente,
encontrado em « reservas minerais ». A definição de minério contida em
(David, 1977 p.301) diz respeito à uma substância mineral de ocorrência
natural da qual um ou mais constituintes de valor podem ser extraídos com
proveito pela mineração e posterior separação, sob condições prevalescendo
na época da avaliação. Entretanto, os minerais industriais (entre os quais a
argila cerâmica), mesmo não se encaixando exatamente nesta definição,
constituem substâncias minerais naturais mineráveis e aproveitáveis de
forma direta, in natura. Para serem mineráveis, além de preencher os
requisitos industriais de qualidade cerâmica, é necessário que apresentem
volume suficiente para justificar um empreendimento mineiro, e também uma
111
determinada espessura mínima, a fim de se poder aplicar um dado método

de lavra com um dado grau de seletividade.
Embora sejam minerados efetivamente valores reais, todas as
decisões mineiras são tomadas em valores estimados. A definição
canadense de reserva mineral (de acordo com David, 1977 p.302) leva em
conta explicitamente este fato: « Tonelagem de minério que pode ser
razoavelmente assumida de existir (requer indicação de acuracidade de
medida) ». Desta forma, discrepâncias entre resultados previstos e
resultados reais são inevitáveis.
Condições definidoras de reservas recuperáveis são de três tipos: (i)
econômicas: diferentes teores de corte; (ii) tecnológicas: espessuras
mínimas, métodos mineiros empregados e tamanho de bloco; (iii) qualidade e
quantidade de informação. Para propósitos práticos, cada vez que uma
dessas condições muda, o teor estimado e tonelagem destes depósitos
também muda (David, 1977 p.302).
Enquanto os recursos in situ são determinados pelo ambiente
geológico do depósito, as reservas recuperáveis dependerão não apenas dos
recursos in situ e de suas características intrínsecas (variabilidade espacial
dos atributos, controles geológicos atuantes, etc.) mas também, e
essencialmente, do contexto técnico-econômico seletivo do projeto mineiro
(Journel & Huijbregts, 1978 p.444-445), i.e., dos seguintes itens:
(i) maximização de função-benefício ou suprimento de um mercado;

(ii) teor de corte ou uma espessura minerável limitante;
(iii) restrições tecnológicas de um projeto mineiro;
(iv) suporte (tamanho e geometria) da unidade de seleção. No caso
presente, o bloco de lavra 25m x 25m é significativamente diferente do
suporte da unidade de exploração (testemunhos de sondagem);
(v) informação disponível no momento da seleção. A seleção de blocos a
serem minerados é feita em estimativas, porém a lavra é executada
sobre valores reais. No caso das fábricas cerâmicas, a argila é
recebida e processada com atributos de qualidade reais, não
estimados. As simulações aqui realizadas fornecem uma infinidade de
112
cenários equiprováveis, quantificando probabilisticamente a incerteza

nessas seleções.
Os fatores suporte e nível de informação são expressos

respectivamente pelas variâncias geoestatísticas de dispersão e de
estimativa (=variância de krigagem). No primeiro caso, será visto mais
adiante (item 4.3.3.1) que o « efeito suporte » será levado em consideração
na presente avaliação de reservas recuperáveis, uma vez que o suporte
mineiro considerado é o de blocos de lavra coincidentes com os usados na
avaliação dos recursos geológicos (krigagem em blocos); portanto em
volumes individuais significativamente maiores que os suportes originais
amostrais quase-pontuais (testemunhos de sondagem a trado). Enquanto
isso, ao invés de ser considerada a variância de krigagem como indicador da
qualidade da estimativa e do provável erro envolvido, devido às limitações
neste sentido listadas no final do capítulo precedente, será usada a
variabilidade dos diferentes cenários equiprováveis gerados pela combinação
das simulações.
O impacto de fatores técnico-financeiros na recuperação de recursos
de um depósito, embora vitais na viabilidade econômica de um projeto, não
será aqui considerado, por envolver aspectos fora do escopo deste trabalho,
i.e., fora das influências do comportamento espacial das variáveis
regionalizadas.
Na definição de reservas recuperáveis aplicando o método de
krigagem em blocos, por um lado é levada em consideração a mudança de
suporte na redução de variância e a correspondente diluição dos valores
extremos quando se passa de um suporte quase-pontual para blocos de
lavra. Soma-se a isto a minimização do erro médio de krigagem e a
conseqüente acuracidade nas predições. Ainda, quanto maior o nível de
informação amostral, menor é a variância de krigagem, e assim menor é a
discrepância entre valores estimados, definidores das reservas recuperáveis,
e valores reais, a serem minerados e processados (« efeito informação »).
A krigagem assegura não-tendenciosidade, enquanto a seleção
desenvolvida em estimadores tipo polígono de influência é sujeita a séria
superestimativa sistemática dos teores realmente recuperados (Journel &
113
Huijbregts, 1978 p.462). Tais discrepâncias aumentam com a seletividade, o

que é particularmente perigoso durante um estudo de viabilidade. David
(1977, p.303-304) exemplifica o perigo que se incorre ao estimar reservas
recuperáveis a partir de teores pontuais de furos de sondagem, ao invés de
considerar-se blocos. A Figura 4.1 (extraída de Marechal, 1976a, em David,
1977 p.309) mostra que o real teor médio da tonelagem acima de um dado
teor de corte é bem mais próximo ao teor médio estimado desta mesma
tonelagem quando blocos são estimados por krigagem em blocos, do que
quando o método de polígonos de influência é usado. Isto é decorrência da
desconsideração ao efeito suporte neste último caso. Sendo a variância dos
blocos menor que a variância das amostras, há menos blocos ricos do que
amostras ricas. Isso pode acarretar em fortes equívocos na análise das
reservas recuperáveis, local e globalmente.
Z Z
POLÍGONOS KRIGAGEM
Z* Z*
Figura 4.1 - Comparativo do teor real Z x teor estimado Z* para blocos, estimando pelos
métodos de polígonos de influência (à esquerda) e krigagem (à direita). Extraído de Marechal
(1976a), em David (1977, p.309).
Por outro lado, como o algoritmo de krigagem ordinária em blocos

prioriza a minimização do erro (variância de estimativa), fornecendo valores
estimados ótimos neste sentido, a real variância dos valores e a incerteza
(risco) a respeito deles acabam sendo subestimados, propiciando erros na
classificação e quantificação local de reservas. No caso presente, erros na
classificação cerâmica.
A Figura 4.2 demonstra graficamente o efeito dos dois fatores
determinantes na recuperação dos recursos: efeito suporte e efeito
informação. A influência do aumento de suporte de ponto para bloco com a
redução da variância de dispersão é clara na Figura 4.2a, quando um teor de
corte mínimo é aplicado. No caso desta figura, quando o um teor de corte é
114
maior que a média, a recuperação diminui ao considerar-se blocos ao invés

de pontos. Isso mostra mais uma vez o perigo em superestimar reservas ao
aplicar-se o método do polígono de influência, quando o valor pontual do furo
de sondagem é atribuído ao bloco como um todo. O formalismo das funções
de recuperação (curvas tonelagem X teor) e o impacto desses dois efeitos
são abordados em Cruz Júnior & Remacre (2001).
F F
Figura 4.2 - Recuperações estimadas para um dado teor de corte zo (F = freqüência): (a)
influência do suporte [s2(v/G) e s2(c/G): respectivamente variâncias de dispersão bloco/depósito e
ponto/depósito]; (b) influência do padrão de informação [s2K*(v/G): variância de dispersão dos
blocos krigados no depósito G]. Extraído de Journel & Huijbregts (1978, p.447 e 450).
Os histogramas mostrados na Figura 4.2a referem-se aos teores reais

da unidade c (ponto) e v (bloco). Porém, a seleção é feita nos teores
estimados destas unidades, os quais inevitavelmente resultarão em uma
recuperação diferente da recuperação baseada nos teores reais. A Figura
4.2b mostra o histograma dos teores reais das unidades v superimposto no
histograma de seus valores estimados. Como a seleção atual é feita baseada
nestes valores estimados, a proporção de unidades recuperáveis v acaba
sendo lida no histograma dos teores estimados (área de pontos na Figura
4.2b), e não no histograma dos verdadeiros valores (área hachurada na
Figura 4.2b), inexistente à época da avaliação pré-lavra.
No caso da krigagem, sendo por definição um estimador que minimiza
a variância de estimativa, suavizando a variância real dos dados, pode
acontecer que alguns blocos apresentando valores estimados próximos aos
limites de algum dado teor de corte sejam equivocadamente classificados.
115
Nesse contexto se justifica a aplicação de simulações estocásticas na

análise de reservas recuperáveis, fornecendo bloco-a-bloco vários valores
possíveis para o atributo em estudo, proporcionado assim uma amplitude da
variabilidade e da incerteza que tal predição pode conter. Assim, é obtido um
modelo numérico do depósito, na verdade vários possíveis e equiprováveis
modelos numéricos do depósito, contendo a mesma distribuição espacial de
teores. As relações entre simulações estocásticas condicionais e a avaliação
de reservas recuperáveis serão abordadas em maior detalhe no item 4.3.1.
Aspectos teóricos da implementação propriamente dita dessas simulações
serão apresentados no item 4.3.2 .
A influência das condições tecnológicas na análise de reservas
recuperáveis, embora não sendo aqui aprofundada por envolver elementos
de planejamento de lavra, portanto fora do escopo desse trabalho, merece
ser mencionada. Nas considerações apresentadas nos parágrafos anteriores,
assumiu-se que fosse possível recuperar todas as unidades de lavra com
valores estimados dentro de um intervalo de interesse, ou acima de um dado
teor de corte, independentemente da posição do bloco no domínio. Porém,
isso na prática nem sempre é possível, pois a recuperação efetiva de uma
unidade também depende de sua acessabilidade e do método mineiro
proposto (Journel & Huijbregts, p.450). No caso do depósito em estudo, a
região compreendida pelo tálus é um exemplo disto: apesar de em menor
representatividade que nos outros subdomínios, os blocos classificados como
biqueima aparecem em um número significativo, resultando em tonelagens
não desprezíveis de recursos de argila cerâmica deste tipo. Porém, sua
distribuição fragmentada e descontínua, intercalando blocos mineralizados e
estéreis, além de situar-se numa zona com residências, prejudica o acesso e
as condições tecnológicas de extração, e portanto a lavra de tais blocos. Isso
acontece em menor grau na zona de transição.
Desta forma, considerações como as discutidas acima podem definir
uma primeira seleção grosseira de reservas recuperáveis, no caso
descartando o subdomínio tálus. A partir disso, uma segunda seleção mais
precisa pode ser feita, distinguindo estéril de minério no suporte de bloco de
lavra. No estudo de caso presente isso é feito probabilisticamente, com a
aplicação de simulações estocásticas no subdomínio planície.
116
4.2.2 Reservas Recuperáveis na Extração de Argila Cerâmica
As considerações feitas no item anterior sobre a análise de reservas

recuperáveis como um todo, e todas as suas implicações na indústria
mineira, adquirem características muito próprias e peculiares quando se trata
da avaliação de reservas de minerais industriais usados como matéria-prima
cerâmica. Sendo ainda mais específico, para o caso da argila cerâmica no
depósito em estudo, alguns aspectos particulares, abordados abaixo,
merecem o devido destaque no tocante à recuperação de reservas.
As duas variáveis de qualidade incluídas no presente estudo de caso
possuem intervalos que enquadram a argila em um dos tipos cerâmicos
existentes (Tabela 2.3) ou como estéril. Esse enquadramento é feito
considerando-se as duas variáveis em conjunto, conforme abordado
anteriormente. A análise de reservas recuperáveis para a área em estudo,
apresentada no item 4.5 com a aplicação de simulações estocásticas, avalia
as reservas segundo chances bloco-a-bloco de enquadramento em um ou
em outro tipo de argila cerâmica, conferindo um caráter probabilístico à esta
quantificação. Desta forma, pode-se também embutir neste estudo a análise
de homogeneidade do material a ser minerado, tão importante nos
processamentos cerâmicos conforme mencionado anteriormente.
Neste tipo de depósitos, é fundamental na quantificação de reservas
recuperáveis a definição da espessura mínima seletivamente minerável, não
contaminando com estéril de cobertura (solo orgânico) e com o leito rochoso
sotoposto (folhelho da lapa), e nem com níveis intercalados de limonita ou
material mais arenoso. Essa espessura dependerá primordialmente do
método e equipamento utilizado, mas também está bastante atrelada à
experiência/competência do operador designado/disponível para a extração.
Como este é um depósito relativamente pequeno e será minerado
concomitantemente com outros, possivelmente de forma sazonal, as
operações mineiras por ventura realizadas terão que se adequar à
disponibilidade de equipamentos e mão-de-obra no momento da lavra. Por
isso é fundamental antever diferentes espessuras mínimas (=diferentes níveis
de seletividade), para fazer-se projeções em cima de possíveis situações
vindouras.
117
Fatores sócio-econômicos importantes na avaliação da viabilidade de

recuperação de recursos geológicos incluem, entre outros: (i) situação de um
dado bloco em relação a residências; (ii) tipo de aproveitamento dos terrenos
abrangidos (e.g., atividades agro-pastoris); (iii) custo do terreno, sua
disposição e forma; (iv) royalties a superficiários, (v) distância do depósito
aos centros de consumo e custo de transporte (altamente favorável para a
área em estudo). Porém neste trabalho, com exceção da relevância dada a
tal tipo de aspectos no descarte da porção do depósito correspondente ao
tálus, corroborando a má qualidade cerâmica média estimada para seus
blocos, não entrou-se neste tipo de análise de viabilidade econômica.
4.3 Simulações Estocásticas
Simulação estocástica é o processo de construir alternativas e

equiprováveis realizações das variáveis aleatórias componentes de um
modelo de funções aleatórias (Deutsch & Journel, 1998 p.18). As realizações,
geralmente dispostas segundo uma malha regular {z(l)(u), u ∈ A}, l=1,…,L,
representam L possíveis imagens da distribuição espacial dos valores do
atributo z(u) ao longo do campo A, onde cada realização é denotada com o
índice « l ». Cada uma das realizações, ou “imagens estocásticas”, devem
refletir as propriedades impostas no modelo de função aleatória Z(u).
Portanto, quanto mais propriedades forem inferidas dos dados amostrais e
incorporadas no modelo de função aleatória Z(u), tanto melhor será este
modelo.
Segundo Chilès & Delfiner (1999, p.452), uma função aleatória tem um
número infinito de realizações, entre as quais as simulações condicionais,
que assumem nos pontos amostrais os mesmos valores que aqueles
observados. Esse condicionamento confere uma certa robustez às
simulações (Journel & Huijbregts, 1978 p.493), que podem assim serem
consideradas como possíveis representações da variável regionalizada z(x).
Essas múltiplas superfícies simuladas para os mesmos dados e momentos
estatísticos de até 2a ordem - média e covariância/variograma - contrastam
desta forma com a superfície de krigagem, única (Olea, 1991 p.71). Neste
118
sentido, a simulação é vantajosa em relação à krigagem quando um modelo

de variabilidade é mais importante que a acuracidade na escala local.
As n realizações equiprováveis zs(x) diferirão ponto-a-ponto (ou bloco-
a-bloco) da realização real z(x), mas, estatisticamente no conjunto global,
mostrarão a mesma estrutura de variabilidade ou mesma estatística espacial,
i.e., mesmos histogramas e variogramas (Journel & Huijbregts, 1978 p.17).
Essas diferentes realizações podem ser assim vistas como possíveis
cenários do mesmo fenômeno caracterizado pela função aleatória Z(x). As
realizações simuladas, entretanto, tem a vantagem de serem conhecidos
todos os pontos e não apenas os pontos amostrais. Estes depósitos
simulados são também chamados “modelos numéricos” do depósito real
(Journel & Huijbregts, 1978 p.492). A série de realizações fornece uma
medida visual e quantitativa (na verdade um modelo) de incerteza espacial
(Goovaerts, 1997 p.372).
A diferença básica intuitiva entre modelos de estimativa por krigagem e
modelos gerados por simulação é ilustrada de forma clara através de um
exemplo por Chilès & Delfiner (1999, p.449). Um cabo submarino deve ser
colocado entre duas cidades situadas em lados opostos de um oceano, e o
problema é prever o comprimento do cabo. Medidas da profundidade do
fundo oceânico são disponíveis a cada 100 m. Para conseguir a solução
exata, seria necessário um levantamento contínuo ou no mínimo muito denso
(e.g., a cada 10 m). Para evitar os custos deste levantamento detalhado, a
idéia é introduzir um modelo simulado. A Figura 4.3 ilustra o caso.
Uma simulação condicional, no caso da Figura 4.3, compreende uma
representação do fenômeno que seja consistente com os dados observados
nos intervalos de amostragem espaçados de 100 m, a exemplo da krigagem,
e que adicionalmente reproduza as flutuações locais numa escala de 10 m.
Uma simulação condicional não é assim a realidade, mas apenas uma
possível versão dela, entre uma infinidade de outras.
119
dados
perfil krigado: 945 m
verdadeiro perfil: 1.182 m
perfil simulado: 1.154 m
Figura 4.3 - Exemplo ilustrativo de cabo submarino: (a) levantamento do fundo oceânico com
espaçamento amostral de 100 m; (b) krigagem do fundo oceânico; (c) levantamento contínuo
(verdadeiro perfil); (d) simulação condicional baseada em dados amostrais espaçados de 100 m,
comparada com verdadeiro perfil. Extraído de Alfaro (1979), em Chilès & Delfiner (1999 p.450).
120
No caso do exemplo citado acima, não se pode estimar o comprimento

L diretamente, por que a krigagem - na sua versão linear - apenas permite a
estimativa de quantidades que são lineares na variável estudada, como
profundidade média ao longo do perfil. O comprimento L não é uma função
linear, dependendo essencialmente das flutuações locais do fundo oceânico.
Como neste caso é muito mais importante saber o grau de flutuações do que
as profundidades propriamente ditas, a simulação resultou em um
comprimento bem mais próximo da realidade, sendo portanto a sua aplicação
mais adequada. A krigagem, sendo um interpolador que minimiza a variância
de dispersão, neste caso resultou num comprimento suavizado, fugindo
portanto do propósito desta estimativa.
Uma analogia deste exemplo pode ser feita com a atividade de
pesquisa e lavra mineral associada à indústria cerâmica. Além de valores
acuradamente estimados fornecidos por krigagem, devido à exigência de
homogeneidade nas fábricas é fundamental ter acesso ao grau de
variabilidade que tais predições podem comportar. Em outras palavras, deve
ser investigado que chances tem o valor de um bloco de ser acima de um
determinado valor ou dentro de um determinado intervalo, para um dado
atributo. Isto pode ser efetuado através da aplicação de um número
razoavelmente grande de realizações obtidas por simulações estocásticas,
como será visto adiante neste capítulo.
A partir do exemplo intuitivo apresentado acima, pode-se discutir mais
sistematicamente as diferenças entre simulações e estimativas, que
fundamentam-se nos objetivos de cada tipo de predição (Journel &
Huijbregts, 1978 p.493). O objeto de uma estimativa é prover, a cada ponto x,
um estimador z*(x) que seja o mais próximo possível do verdadeiro teor
desconhecido zo(x), de forma não-tendenciosa e com o mínimo erro médio
quadrático, ou variância de estimativa E[Z(x)-Z*(x)]2. Assim, por construção,
este estimador não reproduz a variabilidade espacial dos verdadeiros teores
[zo(x)]. No caso da krigagem, a minimização da variância de estimativa
envolve uma suavização das dispersões reais. O método de polígono de
influência acentua esta subestimativa da variabilidade local dos teores reais,
considerando constante o teor em todo o polígono de influência de uma
amostra. O depósito estimado [z*(x)], é, portanto, tendencioso no tocante às
121
dispersões dos teores reais [zo(x)]. De forma típica, valores baixos são
superestimados, enquanto valores altos são subestimados. Além disso, a
suavização da krigagem não é uniforme, sendo mínima próxima aos dados e
aumentando ao distanciar-se destes.
Por outro lado a simulação, especialmente a simulação condicional,
reproduz as principais características de dispersão destes teores reais [zo(x)],
com os mesmos momentos (média e variograma). Essa reprodução de
momentos é prioritária sobre a acuracidade local (Deutsch & Journel, 1998
p.120). Diferentemente da krigagem, a cada ponto x o valor simulado não
corresponde à estimativa ótima de zo(x), no sentido de menor erro possível
(acuracidade). A reprodução de mecanismos genéticos que geram os
fenômenos observados não constitui o objetivo das simulações, e sim, mais
modesta e realisticamente, apresentar versões possíveis de suas variações
espaciais (Chilès & Delfiner, 1999 p.453).
Mapas produzidos pelo algoritmo de krigagem, os quais na verdade
constituem médias ponderadas móveis dos dados amostrais originais
(Deutsch & Journel, 1998 p.18), apresentam um típico efeito suavizador,
denotando assim uma menor variabilidade espacial que os dados. Por outro
lado, os mapas condicionalmente simulados são mais apropriados para
estudos sensíveis a padrões de variabilidade local, como a presente análise
de reservas recuperáveis. Uma seqüência de mapas de simulação
condicional pode prover uma medida (modelo) de incerteza sobre a
distribuição espacial do atributo em estudo.
Com exceção da hipótese de um modelo Gaussiano de erros ser
assumido, a krigagem fornece apenas uma medida incompleta de
acuracidade local, e nenhuma apreciação da acuracidade conjunta quando
muitas locações são consideradas juntas (Deutsch & Journel, 1998 p.120).
As simulações podem prover tais medidas de acuracidade, tanto a nível local
quanto global. Estas medidas são dadas pelas diferenças entre L valores
simulados alternativos a qualquer locação (acuracidade local) ou os L
campos simulados alternativos (acuracidade global ou conjunta).
A suavização da krigagem reflete-se diretamente na apreciação dos
variogramas gerados. O variograma experimental de estimativas é diferente
do variograma experimental das amostras, com um sill menor e um alcance
122
maior, implicando numa continuidade espacial exagerada para os valores

estimados (Olea, 1999 p.141). O reflexo desta suavização aparece também
nos histogramas: os valores estimados tem menos valores nas extremidades
e uma proporção muito maior mais proximamente à média, em relação aos
dados originais.
Os objetivos da simulação e estimativa são bem distintos,
normalmente incompatíveis. Pode ser visto na Figura 4.3c que, mesmo a
curva estimada sendo em média próxima à curva real, a curva de simulação,
apresentada em (d), é a melhor reprodução das flutuações da curva real. No
contexto mineiro, incluindo matérias-primas cerâmicas, a curva de estimativa
é preferível para locar e estimar reservas in situ, enquanto que a curva de
simulação é preferível para estudar a dispersão das características destas
reservas (Journel & Huijbregts, 1978 p.494). Portanto, as simulações são
adequadas para medir probabilisticamente o grau de dispersão de reservas
recuperáveis e, em relação a valores de referência (« cut-offs »), as chances
de serem recuperáveis ou não, local e globalmente. Este tipo de aplicações
será aqui empregado.
As discrepâncias maiores identificadas nos extremos direito e
esquerdo dos perfis da Figura 4.3d demonstram porque uma simulação não
pode ser usada para substituir amostragem, a qual é sempre necessária para
uma boa estimativa local do depósito. Quanto maior o conhecimento do
depósito (maior a densidade de amostragem), mais bem conhecida será sua
estrutura de variabilidade, resultando numa simulação mais próxima e mais
representativa da realidade (« efeito informação »).
Os requisitos típicos para a aceitação de mapas simulados como
representativos do depósito em estudo são (Goovaerts, 1997 p.370):
• valores amostrais devem ser honrados nas suas locações

(simulações condicionais);
• histograma dos valores simulados deve reproduzir
aproximadamente o histograma amostral desagrupado;
• modelo de covariância C(h) ou semivariograma γ(h) deve ser
reproduzido ergodicamente.
123
Chilès & Delfiner (1999, p.460-461) apresentam os vários métodos de

simulação condicional existentes, os quais são listados abaixo:
• simulação seqüencial Gaussiana;

• matriz de decomposição da covariância (decomposição LU);
• método das bandas rotativas (turning bands);
• método autoregressivo;
• janelas móveis;
• método da diluição;
• método espectral contínuo;
• método espectral discreto;
• hiperplanos de Poisson;
• método da integração;
• simulação seqüencial dos indicadores;
• método de truncagem gaussiana;
• método de Voronoi;
• método de poliedros de Poisson;
• método da substituição;
• simulação booleana;
• simulated annealing.
O método aqui empregado, conforme será visto ao longo deste

capítulo, é o da simulação seqüencial Gaussiana (ssG). Maiores detalhes
sobre aspectos teóricos sobre simulações estocásticas condicionais em geral
podem ser encontrados em David (1977, p.325-327), Journel & Huijbregts
(1978, p.494-498) e Deutsch & Journel (1998, p.119-124).
4.3.1 Uso de Simulações em Reservas Recuperáveis
Depósitos simulados podem ser usados para vários propósitos na

indústria mineira, dependendo de cada projeto mineiro particular. Desta
124
forma, teores, espessuras e geometria de uma jazida podem ser simulados,

medindo o grau de variabilidade/incerteza de cada aspecto em particular.
Simulações foram inicialmente motivadas pelo estudo de depósitos
minerais [Journel (1973, 1974a, 1974b), em Chilès & Delfiner, 1999 p.577].
Conforme discutido anteriormente, a krigagem ordinária permite estimar
recursos geológicos (in situ) mas não avaliar adequadamente reservas
recuperáveis, fundamentais em estudos de viabilidade. A dificuldade em
avaliar reservas recuperáveis está relacionada ao fato de que este conceito
envolve o método de mineração, seu grau de seletividade, sua flexibilidade,
nenhum dos quais pode ser reduzido a operacões lineares, e também ao fato
de que o resultado depende fortemente das flutuações locais da
mineralização (Chilès & Delfiner, 1999 p.578).
Segundo Journel & Huijbregts (1978, p.491), estimativas locais e
globais de reservas recuperáveis na maior parte dos casos mostram-se
insuficientes no estágio de planejamento de uma nova mina ou uma nova
frente de lavra. Normalmente é essencial, além de estimar teores e
tonelagens recuperáveis, predizer também as variações das características
das reservas recuperáveis nos vários estágios de operação.
No caso da mineração de argila para a indústria cerâmica, as etapas
de prospecção, pesquisa mineral, avaliação de reservas, lavra e
processamento industrial são muito próximas e interdependentes. É então
essencial para o técnico que conduz as pesquisas e avalia reservas, ser
capaz de antecipar as variações das matérias-primas ao responsável pela
formulação das massas a serem utilizadas nas fábricas. Esse técnico deve
também estar apto a orientar a lavra da maneira mais racional e segura
possível, alertando ao gerente para os riscos envolvidos na tomada de
decisões quanto aquele deteminado depósito.
Além de testar seqüenciamento de lavra em diferentes orientações,
incluindo a definição de tamanho ótimo de bloco, simulações podem ajudar a
antever desvios do planejamento (David, 1977 p.324), a nível local e global.
Aliado a orientações no planejamento mineiro, as simulações podem ser
usadas eficientemente para orientar também a locação de amostras
adicionais. Exemplos recentes de aplicações neste sentido são encontrados
respectivamente em Bonato (2000) e Pilger (2000).
125
Aplicações de simulações condicionais em avaliações de reservas tem

numerosos exemplos na literatura. Seu uso específico na análise de reservas
recuperáveis vem se incrementando nos últimos anos; alguns exemplos são
mencionados no item 1.1. Um exemplo recente do uso de simulações e co-
simulações nesse tipo de análise pode ser visto em Silva (2001).
O uso de simulações condicionais na análise de incerteza na predição
de teores em termos de reservas mineráveis é discutido sob vários aspectos
em Rossi & Alvarado (1998). Diferentes e equiprováveis modelos de blocos
podem ser gerados, fornecendo uma série de possíveis teores para cada
bloco. Neste trabalho citado é enaltecida a importância de se obter as
simulações utilizando-se dados de uma mesma população, em um mesmo
domínio geológico, gerando cenários de alta resolução (malha muito fina), em
limites geológicos coincidentes com aqueles usados no modelo de blocos de
recursos geológicos. É também enfatizada a relevância da disponibilidade de
modelos de blocos alternativos (=imagens equiprováveis da distribuição de
valores do atributo em estudo), gerados por simulações estocásticas, na
tomada de decisões mineiras em geral. O reconhecimento e quantificação
realistas de riscos envolvidos (modelos de incerteza) podem ser muito úteis
na indústria mineira em cálculos de reservas recuperáveis, entre outras
utilizações (Rossi, 1999). Tais aspectos foram cuidadosamente observados
nas simulações apresentadas na presente dissertação.
Simulações condicionais estocásticas da espessura do horizonte
argiloso de interesse e das acumulações das variáveis de qualidade
(indiretamente das variáveis de qualidade propriamente ditas) constituem no
presente trabalho a chave para a análise de reservas recuperáveis.
Cinqüenta possíveis e equiprováveis modelos de blocos de alta resolução
(mesmo suporte amostral) foram gerados para cada variável, possibilitando a
análise probabilística bloco-a-bloco e globalmente de toda a gama de
possibilidades em reservas recuperáveis, sob critérios de seletividade mineira
(espessura mínima minerável) e de qualidade cerâmica.
Goovaerts (1997, p.442) sintetiza o espírito empenhado nessa
dissertação no tocante à aplicação de simulações condicionais na avaliação
de reservas recuperáveis. A incerteza reconhecida não é inerente ao
fenômeno sob estudo, sendo muito mais um fruto da imperfeição do
126
conhecimento deste. Ao contrário da variância de krigagem, dependente

estritamente da densidade e disposição dos dados, a incerteza quantificada é
diretamente dependente dos dados propriamente ditos. Além disso, essa
incerteza reflete decisões pessoais de modelização, as quais exprimem o
conceito a priori sobre o fenômeno. Resta aceitar e assumir essa limitação e
a falta de objetividade determinística nos modelos e medidas de incerteza
gerados, documentando de forma clara e embasada todos os aspectos
relevantes do modelo. Com tal postura realista, a presente análise de
reservas recuperáveis é empreendida.
4.3.2 Simulação Seqüencial Gaussiana
Os itens precedentes desse capítulo introduziram algumas das

diversas facetas que envolvem a análise de reservas recuperáveis e seus
reflexos nas decisões mineiras. Os princípios das simulações condicionais,
diferenças estruturais e nos objetivos em relação a estimativas por krigagem
e aplicações na avaliação de reservas recuperáveis foram a seguir
apresentados. Foram listados ainda os tipos de métodos de simulação
estocástica usados em geoestatística. Uma síntese neste sentido é
apresentada em Costa (1997, p.130-132) que revisa, numa perspectiva
histórico-evolutiva, o desenvolvimento de diferentes métodos de simulação
condicional, a partir do trabalho pioneiro de Journel (1974), enfocando os
algoritmos denominados seqüenciais.
De acordo com Deutsch & Journel (1998, p.125), o princípio da
simulação seqüencial é uma generalização da idéia de derivar um valor de
uma variável aleatória Z(u) de sua distribuição condicional de freqüência
acumulada local, a partir da relação de covariância/variograma dos valores
amostrais próximos, incluindo os dados originais e aqueles previamente
simulados. Um maior detalhamento das características deste método é
apresentado no Apêndice E.
Como a normalização dos dados é uma etapa necessária para gerar
funções de probabilidade cumulativa condicional local numa ótica
multiGaussiana, aplicando posteriormente tais funções no método de
127
simulação seqüencial Gaussiana aqui utilizado, o conjunto das três variáveis

regionalizadas em estudo (espessura e acumulações) foram transformados
para o espaço Gaussiano, i.e., normalizados. As transformações para cada
valor amostral e testes para checar a Gaussianidade desses dados são
apresentados no Apêndice F.
Os dados normalizados foram utilizados nas simulações realizadas,
resultando em valores simulados no espaço Gaussiano que foram
posteriormente retro-transformados para o espaço original, utilizando as
mesmas leis de correlação da normalização inicial, porém no sentido inverso.
Além dessa normalidade da distribuição univariada, é necessário
checar a normalidade de distribuições bivariadas, tri-variadas,…, n-variadas
dos dados normalizados, para assegurar que uma função aleatória é
multiGaussiana. De fato, só se tem como verificar até o nível bivariado
(distribuição biGaussiana). Na prática portanto, se testes neste sentido
(Costa, 1997 p.319-327, Goovaerts, 1997 p.271-275 e Deutsch & Journel,
1998 p.142-144) não invalidarem a hipótese biGaussiana, o formalismo
multiGaussiano é adotado. Os testes para as variáveis em estudo
normalizadas são apresentados no Apêndice G.
A seqüência a seguir é o procedimento básico para gerar cada uma
das realizações globais de um atributo por ssG (adaptado de Olea, 1999
p.146, e Deutsch & Journel, 1998 p.144-145). Existem muitas variações em
torno das linhas centrais apontadas pelo autores referidos; a seqüência de
etapas apresentada a seguir foi aquela efetivamente adotada nas simulações
realizadas no presente estudo de caso:
(i) determinação da função de distribuição cumulativa univariada dos

dados originais, i.e., seu histograma. Técnicas de desagrupamento
são necessárias quando a amostragem é mais densa em alguns
locais que em outros, como no presente estudo de caso (item 3.2.2.2);
(ii) transformação dos dados para obter escores normais (normalização),
resultando em uma função Gaussiana de distribuição cumulativa
univariada N(0,1);
(iii) testes de biGaussianidade para os dados normalizados;
(iv) modelamento variográfico para os dados normalizados;
128
(v) criação de uma malha de alta resolução (1m x 1m), coincidindo os nós
da malha regular original de amostragem com alguns nós da malha de
simulação;
(vi) escolha aleatória da locação xi do nó para a geração de um valor
simulado;
(vii) krigagem simples para obter a estimativa z*(xi) e a variância de
krigagem σ2(xi), condicionada à uma amostragem expandida que
englobe, além de dados vizinhos amostrais, dados já simulados;
(viii) definição de uma distribuição normal local com média z*(xo) e
variância σ2KS(xo): N[z*(xo),σ2KS(xo)], onde σ2KS = variância de
krigagem simples. O valor simulado zs(xo) é então gerado
randomicamente (via método de Monte-Carlo) a partir desta
distribuição normal local;
(ix) adição de zs (xo) para a amostragem expandida (dados originais +
dados previamente simulados);
(x) retomada dos passos anteriores [(vi) em diante], até preencher todos
os nós da malha de simulação com valores simulados;
(xi) retro-transformação dos valores simulados do espaço Gaussiano para
o espaço original. Extrapolações das classes extremas e
interpolações das classes intermediárias são usualmente utilizadas
(Deutsch & Journel, 1998 pp.134-138). No caso presente, truncou-se
o intervalo de valores simulados de acordo com os extremos
amostrais, não havendo portanto extrapolações.
A implementação adequada garante aplicações bem sucedidas, com

algumas técnicas discutidas em Goovaerts, (1997, p.378-379) e aqui
aplicadas. Estratégias de busca foram cuidadosamente investigadas para
cada uma das três variáveis, definindo o tamanho ótimo da elipse de acordo
com os alcances de cada variável, em cada direção considerada. O balanço
adequado entre o número de dados simulados e os originais foi também
considerado, dando uma significativa maior importância aos últimos, no
intuito de favorecer a proximidade dos histogramas e variogramas das
realizações com os amostrais. O uso de malhas múltiplas de busca contribuiu
129
na reprodução de todas as regiões da curva do modelo variográfico [conceito

de malha múltipla (multiple grid), Gómez-Hernández, 1991 e Gómez-
Hernández & Journel, 1993, ambos em Deutsch & Journel, 1998 p.127].
Um maior aprofundamento teórico-aplicacional da ssG e métodos de
simulação seqüencial em geral pode ser encontrado em Goovaerts (1997,
p.380-385), Deutsch & Journel (1998, p.125-146) e Chilès & Delfiner (1999,
p.462-464).
4.3.3 Simulações no Subdomínio Planície
No item precedente, foi apresentado o algoritmo de simulação

seqüencial Gaussiana (ssG), utilizado nessa dissertação para o estudo de
variabilidade da argila cerâmica no depósito em estudo, com aplicação dos
resultados advindos no dimensionamento de reservas recuperáveis e riscos
envolvidos. O banco de dados em estudo, apresentado ao longo do item
3.2.2, com as três variáveis regionalizadas de interesse - espessura e
acumulações - constituiu objeto de simulações aplicando este algoritmo, nos
limites do subdomínio planície, conforme discutido no final do Capítulo 3. A
seqüência de operações executadas é a seguir descrita. É importante
lembrar que, a exemplo da avaliação de recursos geológicos por krigagem
em blocos, as variáveis de qualidade foram aqui simuladas de forma indireta:
(i) simulação de acumulações e espessura em separado, em suporte quase-
pontual (blocos 1m x 1m); (ii) mudança de suporte para blocos (item 4.3.3.1);
(iii) divisão dos resultados simulados de cada acumulação pela espessura
simulada correspondente, obtendo os valores simulados para cada respectiva
variável original de interesse, no suporte de bloco.
Seguindo a seqüência do algoritmo aplicado, conforme abordado
anteriormente, foram computados e modelados os variogramas dos dados
normalizados para as três variáveis. Suas formas, direções de máxima e
mínima continuidade, e alcances resultaram semelhantes aos modelos
variográficos das variáveis originais respectivas. Em função disto tais
modelos não são aqui apresentados.
130
Uma malha de resolução fina foi gerada, cobrindo a área integralmente

em blocos 1m x 1m, distribuída numa área de 800m x 700m e contendo
assim um total de 560.000 nós. O tamanho dos pequenos blocos foi definido
com essas dimensões assumindo que sejam representativos das amostras
originais quase-pontuais, i.e., que a redução de variância de dispersão nesta
aproximação sejam ínfima. Isso garante com que as simulações sejam
geradas diretamente com o mesmo suporte amostral, prevenindo contra
distorções decorrentes de alteração de variância e variogramas em função de
correção de suporte, abordadas anteriormente. O processo de mudança para
o suporte de interesse (blocos 25m x 25m), suas implicações e resultados
decorrentes, serão abordados no item a seguir.
4.3.3.1 Mudança de Suporte a posteriori
Todas as diferenças e implicações observadas no Capítulo 3 entre o

suporte de pontos e o suporte de blocos, no que tange à variância de
dispersão, podem ser estendidas para as simulações estocásticas. O
presente interesse é verificar a variabilidade da argila em escala de blocos de
lavra, e seu impacto na quantificação e classificação cerâmica de suas
reservas recuperáveis, na mesma malha usada na caracterização de
recursos geológicos via krigagem ordinária em blocos. Para tal, é necessário
um adequado processo de mudança de suporte, pois a informação amostral,
conforme colocado anteriormente, é quase-pontual.
A especificação completa do volume de um dado suporte compreende
seu tamanho, forma geométrica e orientação. Qualquer mudança em algum
desses itens implica numa nova variável regionalizada. Desta forma, o
suporte considerado pode corresponder desde um ponto até o depósito
inteiro. Os conceitos de suporte e de efeito suporte são assim fundamentais
no tratamento geoestatístico de qualquer variável regionalizada. Embora não
faça parte da simulação em si, a mudança de suporte é um passo
estritamente necessário para a abordagem da variância no estudo de
variabilidade em geral.
131
O efeito suporte está relacionado à influência do tamanho do suporte

nos valores médios da variável regionalizada. Um aumento de suporte resulta
em algumas conseqüências imediatas: (i) média global permanece constante;
(ii) variância de dispersão diminui; (iii) variância a priori (sill nos variogramas)
diminui: quanto maior o suporte, menor o valor de variograma para um
mesmo lag; (iv) distribuição (histograma) fica mais simétrica, como
conseqüência do teorema do limite central (Isaaks & Srivastava, 1989,
Cap.19). Um impacto direto dessa influência do aumento do suporte, em
termos de mineração, é que numa lavra seletiva um bloco de maior tamanho
resultará em menores flutuações nos teores médios. Além disso, as curvas
de parametrização tendem a se degradar ao aumento do suporte (Matheron,
1984). Algumas importantes implicações do efeito de diferentes suportes na
recuperação de recursos geológicos foram já abordadas no item 4.2.1.
O conceito de variância de dispersão, e todas as diferenças e relações
mútuas entre as variâncias ponto-depósito, ponto-bloco, e bloco-bloco (a
soma das duas últimas sendo igual à primeira, correspondendo à chamada
« relação de Krige ») são largamente abordadas em Isaaks & Srivastava
(1989, Cap.19). Existem alguns métodos tradicionalmente usados para
correção de suporte, os quais se baseiam numa estimativa do fator f de
redução da variância. Rivoirard (1994, Caps. 10-12) discute modelos de
mudança de suporte e seus impactos em estimativas globais e locais de
reservas recuperáveis.
No presente estudo de caso, optou-se pela mudança de suporte a
posteriori: executar todo o processo de simulação e validações no « mesmo »
suporte amostral (conforme discutido anteriormente) e proceder a mudança
para o suporte de bloco depois. Esse processo indireto de simulação em
blocos está fundamentado em Journel & Huijbregts (1978, p.511-513) e
sumarizado abaixo.
A alternativa aqui aplicada para obter valores simulados de blocos
consiste na simulação de valores quase-pontuais zsc(x) em uma malha muito
densa (1m x 1m) e então aplicar o método da média móvel de todos os
pontos simulados que estejam incluídos em um bloco 25m x 25m. Isso
resulta numa aproximação da simulação condicional direta de teores de
132
blocos zv,sc(x). Como a simulação de pontos zsc(x) é condicional aos dados zo,
a simulação em blocos será por extensão condicionada aos mesmos dados.
O bloco é aproximado por n pontos interiores (xi, i = 1 a n), e o
verdadeiro valor do atributo de interesse do bloco v, obtido pela Equação 4.1,
1
v ∫v ( x )
Z v ( x) = Z ( y )dy (4.1)
é aproximado pela média aritmética com os n valores dos pontos interiores

de discretização do bloco, conforme Equação 4.2:
1 n
Z = ∑ Z ( xi )
*
v (4.2)
n i =1
Desta forma, é a média aritmética que é simulada. Assume-se aqui

que a densidade de discretização do bloco v, 625 blocos 1m x 1m interiores
em um bloco 25m x 25m, seja grande o suficiente para aceitar-se a
aproximação da Equação 4.1 pela Equação 4.2, considerando desta forma a
função estrutural (covariância Cv (h) ou semivariograma γv (h)) que
caracterize a variabilidade espacial do suporte v.
Este método de simular blocos por janelas móveis de « pontos »
(=pequenos blocos) pré-simulados apresenta fortes vantagens:
(i) permite uma simulação simultânea de valores do atributo em blocos e

em amostras interiores;
(ii) não há nenhuma necessidade de assumir premissas sobre a
variabilidade estrutural da distribuição univariada da FR regularizada
Zv(x). A simulação como um todo é baseada apenas na informação
disponível, i.e., a informação obtida das amostras;
(iii) a partir da simulação no suporte quase-pontual, a geração de uma
simulação para um novo tamanho de blocos, ou mesmo para blocos
de dimensão variável, é obtida diretamente (Chilès & Delfiner, 1999
p.572). No caso da indústria cerâmica, tal fator mostra-se importante
na medida em que esporadicamente há uma variação na dimensão
133
dos lotes de argila a serem processados nas fábricas, aliado a seu

consumo irregular/sazonal e à necessidade de formação de estoque,
em condições freqüentemente variáveis ao longo do tempo.
A desvantagem do método é o tempo computacional envolvido e o

tamanho dos arquivos gerados. Tal fator, entretanto, torna-se de importância
secundária com o uso crescente de equipamentos mais poderosos em
termos de desempenho computacional, incluindo a utilização de workstations.
Os resultados das simulações executadas são apresentados a seguir
separadamente para cada variável regionalizada considerada, no suporte
quase-pontual 1m x 1m e no suporte final de blocos (25m x 25m). Para a
geração de modelos estocásticos a partir das simulações originais
propriamente ditas no suporte quase-pontual, todos os passos iniciais
mencionados neste e nos itens precedentes [normalização dos dados: N(0,1);
verificação da biGaussianidade assumindo multiGaussianidade;
modelamento variográfico dos dados normalizados; definição da estratégia
de busca e dos parâmetros ótimos de simulação] foram realizados para as
três variáveis regionalizadas em estudo. Desta forma, a implementação de
todas as simulações realizadas seguiu rigorosamente toda a fundamentação
teórica desenvolvida até aqui neste capítulo.
4.3.3.2 Número de Realizações Obtidas
Quando simulações estocásticas são geradas para avaliação de

variabilidade de um dado atributo, uma questão que imediatamente emerge
é: quantas realizações são necessárias? Segundo Chilès & Delfiner (1999,
p.453), a resposta depende dos objetivos que se tem em mente e da
estrutura do fenômeno. Segundo Rossi (1999), o número de simulações
necessárias está atrelado: (i) à variabilidade do atributo analisado; (ii) à
quantidade de dados disponíveis condicionantes.
Uma propriedade de crucial importância tanto na definição do número
de realizações, quanto nas validações das simulações (como será visto
adiante) é a ergodicidade dos modelos das funções aleatórias das variáveis
134
regionalizadas de interesse. Na definição de Chilès & Delfiner (1999, p.19-

21), uma função aleatória estacionária EZ(x, ω ) é ergódica para a média ( ω
sendo o evento aleatório indexando a realização), i.e., ergodicidade de
primeira ordem, se a média espacial de EZ(x, ω ) sobre um domínio V ⊂ ℜ n
convergir para o valor esperado m = EZ(x, ω ) quando V tende ao infinito,
conforme Equação 4.3:
1
lim | V | ∫ Z ( x,ω )dx = m(ω )
V →∞
V
(4.3)
onde | V | é o volume do domínio V, e o valor de convergência da média

m(ω ) representa uma variável aleatória, não uma constante.
Segundo Deutsch & Journel (1998, p. 128), a noção de ergodicidade
pode ser estendida a qualquer outro parâmetro do modelo, como por
exemplo o valor da funcão de densidade de probabilidade cumulativa para
um dado valor de referência (« cut-off « ) ou o modelo de covariânica C(h). A
ergodicidade na covariância, ou ergodicidade de segunda ordem (Chilès &
Delfiner, 1999 p.21), segue a mesma linha de raciocínio anterior, e pode ser
representada pela Equação 4.4:
1
lim | V | ∫ [C (h)] dh = 0
V →∞
V
(4.4)
Discussões mais aprofundadas sobre questões de ergodicidade

podem ser encontradas em Deutsch & Journel (1998, p.128-134) e Chilès &
Delfiner (1999, p.19-22).
No caso presente, como se tinha interesse em visualizar situações
extremas, um número razoavelmente grande de realizações seria necessário.
Cinqüenta simulações foram então processadas para cada uma das três
variáveis regionalizadas, começando com poucas realizações e adicionando-
as progressivamente até que as variâncias condicionais e médias bloco-a-
bloco (E-type) estabilizassem. O Apêndice H ilustra com gráficos de
dispersão e mapas porque limitou-se o número de realizações em 50: as já
135
poucas diferenças do universo de variabilidade quando comparados os

resultados médios de 10 para 20 realizações praticamente desaparecem
quando se passa de 20 para 50 realizações, considerando-se a escala de
blocos 25m x 25m. Essa grande convergência é ainda mais evidente quando
se considera apenas os blocos limitados ao envelope definido pela planície.
O Apêndice I apresenta flutuações ergódicas de pequena escala, observadas
nas validações das simulações realizadas, corroborando a convergência
discutida acima.
4.3.3.3 Espessura de Argila
Simulações seqüenciais Gaussianas para a variável espessura, no

depósito de argila aqui enfocado, já foram objeto de estudo em Stangler et al.
(2001a) e Stangler et al. (2001b), Apêndice A. Nestes trabalhos, as
simulações englobaram uma área total ligeiramente maior que a do
subdomínio planície aqui considerada, incluindo adicionalmente em torno da
metade S do posteriormente desmembrado subdomínio transição. São
reproduzidos nessa dissertação os resultados obtidos para o suporte original
das simulações, filtrando a seguir apenas os blocos 25m x 25m abrangidos
pelo envelope correspondente ao mesmo subdomínio planície já considerado
para a avaliação dos recursos geológicos (Capítulo 3).
Validações dos modelos simulados no espaço Gaussiano foram
realizadas, checando cuidadosamente se as estatísticas básicas das
realizações individuais respeitaram globalmente a convergência para uma
distribuição Gaussiana. Após isso, retro-transformações das realizações para
o espaço original foram executadas, aplicando-se as mesmas relações de
correspondência entre valores originais e valores normalizados (processo de
normalização, abordado no item 4.3.2) necessárias para a execução da
simulação propriamente dita, só que desta vez na ordem inversa.
No espaço original, os histogramas e variogramas de realizações
individuais foram computados e comparados respectivamente com a
distribuição original desagrupada e o modelo variográfico de referência, a fim
de verificar se tais realizações reproduziram os dois primeiros momentos da
136
distribuição original, conforme discutido no item 4.3.2. Flutuações ergódicas

de pequena escala foram observadas. Detalhes de tais validações são
apresentados no Apêndice I.
A Figura 4.4 mostra quatro realizações no suporte original 1m x 1m

tomadas aleatoriamente entre as 50 obtidas, justapostas ao mapa amostral
quase-pontual original. Feições globais de distribuição dos valores amostrais
de espessura foram preservadas nas diferentes realizações, reproduzindo a
anisotropia variográfica modelada, de direção de máxima continuidade NNW-
SSE. Flutuações locais são observadas quando compara-se as realizações
de simulações entre si e com o mapa amostral de referência. Uma certa
ciclicidade observada no modelo variográfico para espessura na direção de
menor continuidade (N80E), apresentado na Figura 3.18, mostra-se bem
representada nestas figuras, denotando a ritmicidade de canais paralelos à
drenagem principal, no contexto geológico de leques aluviais, conforme
discorrido no item 2.2. Isso demonstra que as simulações também podem ser
úteis na elucidação de características geológicas do depósito mineral em
estudo, ao possibilitar a visualização da textura da variável de interesse, no
caso a espessura da argila.
137
↑N
↑N
(m)
Figura 4.4 - Quatro realizações da variável espessura na malha de alta resolução 1m x 1m tomadas
aleatoriamente do grupo de cinqüenta simulações; abaixo, mapa amostral de referência.
138
Com uma boa proximidade entre feições de referência e as obtidas,

todas as realizações puderam ser aceitas e tomadas equiprobabilisticamente
como possíveis cenários da população dos dados, em termos estatísticos,
geoestatísticos e geológicos. Foi então procedida a mudança de suporte
destes possíveis modelos para blocos 25m x 25m, conforme abordado no
item 4.3.3.1.
Resultados simulados obtidos para espessura no suporte de blocos,
podem ser vistos na Figura 4.5, comparadas ao modelo « ótimo » de
recursos geológicos fornecido pela krigagem em blocos. O efeito suporte
claramente suaviza as oscilações de pequena escala de espessura, quando
vistas no suporte de blocos, atenuando diferenças entre distintas simulações.
Mesmo assim, variações locais são observáveis quando diferentes
realizações são comparadas com o modelo de blocos único estimado por
krigagem ordinária, tipicamente suavizado.
Essa análise visual, indicando poucas variações nas feições globais e
mesmo locais na espessura média dos blocos, permite segurança na tomada
de decisões concernentes exclusivamente a este atributo e neste suporte, se
todos os blocos forem considerados mineráveis, independentemente de
seletividade mineira. Até aqui não foi ainda considerado esse fator,
relacionado a espessuras mínimas mineráveis, o qual será discutido no item
4.5.
As cinqüenta realizações no suporte de blocos proveram uma
ferramenta útil para a avaliação da variabilidade da argila e de suas reservas
recuperáveis, quantificando o risco em classificações, conforme será visto
adiante nesse capítulo.
139
(m)
Figura 4.5 - Quatro realizações da variável espessura em blocos 25m x 25m, extraídas do grupo de
cinqüenta simulações; abaixo, modelo de blocos estimado por krigagem ordinária.
140
A Tabela 4.1 apresenta um comparativo entre as variâncias de

espessura entre valores amostrais (« pontuais »), krigados em blocos, e
simulados no suporte quase-pontual e em blocos. A variância dos dados
krigados compreendendo aproximadamente 34% da variância amostral
demonstra a ação conjugada do efeito de aumento de suporte e o efeito
suavizador inerente à krigagem na redução da variância, em consonância
com discussão do item 4.2.1. Já a proximidade entre a variância amostral e a
das simulações no suporte quase-pontual denota a reprodução ergódica
desse momento, como é requerido para a validação das realizações. A
redução de variância, considerando a variância média oriunda das
simulações no suporte de bloco de lavra, a qual representa aproximadamente
41% da variância média obtida nas simulações no suporte quase-pontual,
decorre diretamente do efeito suporte. Por sua vez, o acréscimo em 18% ao
se passar da variância krigada para a variância média simulada, ambas no
suporte 25m x 25m, reflete uma vez mais o efeito suavizador da krigagem.
Todas essas modificações na variância global dos valores, em função do
suporte considerado e da origem dos dados (amostral, krigada ou simulada),
têm um impacto direto na recuperação de reservas, conforme discutido no
item 4.2.1 (especialmente Figura 4.2).
A diluição de valores extremos ao aumento de suporte, conjugada à
manutenção da variância original no suporte quase-pontual diretamente
simulado, denotam a maior apropriação da aplicação de simulações na
análise de reservas recuperáveis, ao invés de krigagem ou método de
polígono de influência [ver exemplos similares e discussão a respeito em
Cruz Júnior (1998) e Cruz Júnior & Remacre (2001)]. Será visto adiante
neste capítulo como as simulações processadas foram utilizadas na
quantificação de reservas recuperáveis, tanto em escala global quanto local.
Tabela 4.1 – Comparativo entre variâncias de espessura (m2). A variância amostral (pontual) é
calculada sobre os dados desagrupados, enquanto os valores de variância obtidos das simulações
nos dois suportes representam as médias de variâncias para as 50 realizações.
Amostral Simulação 1m x 1m Krigagem 25m x 25m Simulação 25m x 25m
0,147 0,143 0,050 0,059

141
4.3.3.4 Variáveis de Qualidade
A mesma seqüência completa de operações de simulações, executada

para a variável espessura, foi repetida para as duas acumulações, tanto no
tocante ao processamento no suporte quase-pontual quanto à transformação
para o suporte de blocos. Validações no suporte original quase-pontual
foram realizadas, confirmando a reprodução ergódica dos dois primeiros
momentos (histograma e variograma) já verificada para a espessura. O
demonstrativo dessas validações encontra-se no Apêndice I.
O processo de simulação dessas variáveis de trabalho, a exemplo das
estimativas de recursos apresentadas no Capítulo 3, compreende uma etapa
intermediária necessária à obtenção de valores simulados para as variáveis
de qualidade originais. Como o interesse efetivo reside nas variáveis de
qualidade propriamente dita, e não nas suas acumulações, os mapas de
simulação gerados para estas últimas não serão apresentados.
Os valores simulados para as variáveis de efetivo interesse cerâmico
foram portanto obtidos indiretamente, dividindo resultados já no suporte de
blocos de simulações das acumulações pelos mesmos blocos simulados para
espessura. Como são 50 realizações equiprováveis de cada uma das
variáveis destes dois quocientes originadores das realizações das variáveis
de qualidade propriamente ditas, no suporte de bloco, um total de 2.500
combinações possíveis para cada variável pode ser obtido. Porém, também
para as variáveis originais um conjunto de 50 realizações foi considerado
suficiente em termos de abrangência do universo de variabilidade, conforme
demonstrativo no Apêndice H, seguindo discussão do item 4.3.3.2.
Os resultados simulados obtidos indiretamente para absorção d’água e
retração linear no suporte de blocos, para quatro realizações tomadas
aleatoriamente do grupo total de cinqüenta, podem ser visualizadas
respectivamente nas Figuras 4.7 e 4.8, comparadas aos modelos « ótimos »
de recursos geológicos fornecidos por krigagem ordinária em blocos. Regiões
de valores altos e de valores baixos são em média reproduzidas nas
simulações. Variações locais são claramente observáveis quando diferentes
realizações são comparadas entre si e com o modelo de blocos único
estimado por krigagem ordinária, especialmente suavizado no caso da
142
absorção d’água. Tais oscilações são significativamente mais proeminentes

que para espessura.
(%)
Figura 4.6 - Quatro realizações da variável absorção d’água em blocos 25m x 25m, tomadas
aleatoriamente do grupo de cinqüenta simulações; abaixo, modelo de blocos estimado por krigagem
ordinária.
143
(%)
Figura 4.7 - Quatro realizações da variável retração linear em blocos 25m x 25m, tomadas
aleatoriamente do grupo de cinqüenta simulações; abaixo, modelo de blocos estimado por krigagem
ordinária.
O universo de cinqüenta realizações no suporte de blocos para cada

variável de qualidade, tomada tanto individual quanto conjuntamente com a
144
outra variável, permitiu a avaliação da variabilidade da qualidade cerâmica da

argila e de suas reservas recuperáveis. A análise de quantificação do risco
em classificações, advinda da variação global e local (bloco-a-bloco) dos
atributos de qualidade, constituirá objeto de análise dos itens 4.4 e 4.5.
4.4 Variabilidade da Argila no Subdomínio Planície
A importância da investigação de variabilidade da argila enquanto

matéria-prima na indústria cerâmica como um todo foi já abordada ao longo
dos Capítulos 1 e 2 desta dissertação. A garantia de sua homogeneidade nos
processos cerâmicos e produtos resultantes específicos, respeitando as
especificações industriais, tornam imperativa uma quantificação de sua
variabilidade em termos de qualidade, i.e., no tocante aos seus parâmetros
de qualidade considerados, absorção d’água e retração linear.
Da mesma forma, é importante quantificar-se a variabilidade da
espessura de horizonte de interesse, a fim de que se possa avaliar a
potencialidade de um determinado bloco ou conjunto de blocos ser minerado
sob dadas restrições de seletividade mineira (=espessura mínima minerável).
Tal quantificação é fundamental na análise posterior de reservas
recuperáveis (item 4.5).
A maior parte dos métodos de simulação estocástica possibilita o
modelamento da distribuição cumulativa de probabilidade local
numericamente, modelando assim a incerteza associada às predições. Essa
incerteza será incorporada na análise de reservas recuperáveis (item 4.5).
Mapas de simulações estocásticas, como os apresentados no item
4.3.3, representam realizações equiprováveis da função aleatória. Cada uma
destas realizações contribui com um valor para a distribuição cumulativa de
cada variável aleatória (cada bloco). No estudo de caso presente, 50
realizações consideradas geram um conjunto de 50 valores para cada bloco,
as quais correspondem à uma distribuição de probabilidade local deste
determinado bloco.
145
A Figura 4.8 mostra à esquerda, para as três variáveis de interesse,

mapas contendo as médias dos cinqüenta valores simulados para cada bloco
(E-type). Tais médias correspondem em última análise aos valores esperados
para cada bloco, os quais tendem a ser muito próximos dos valores obtidos
por krigagem ordinária em blocos (vide três figuras anteriores), com alguns
desvios no caso de absorção d’água. Nesta figura, um bloco foi selecionado
aleatoriamente e destacado nos mapas; os histogramas apresentados à
direita constituem suas distribuições de probabilidade local para cada
variável.
Assim, o histograma da Figura 4.8b mostra a distribuição dos
cinqüenta equiprováveis valores simulados para espessura no bloco
destacado (Figura 4.8a). Adicionalmente ao valor médio (0,809), que se
aproxima ao valor esperado para este bloco conforme discussão anterior, é
possível desta forma visualizar o índice de incerteza (variabilidade) em torno
dessa predição em particular. Se espessuras mínimas forem especificadas
para distintos níveis de seletividade mineira, conforme será abordado nos
itens subseqüentes do presente capítulo, para casos extremos se obteria
uma probabilidade local (=proporção de valores observados) de 100% para
esse bloco apresentar espessura maior que 0,50 m. Em contrapartida, sua
probabilidade de apresentar uma espessura média superior a 1,0 m seria
nula, pois o máximo valor observado é de 0,93 m.
Para o caso das variáveis de qualidade, as Figuras 4.9d e f
compreendem os histogramas de dispersão dos valores simulados
respectivamente para absorção d’água e retração linear. Os intervalos de
valores que classificam a argila como do tipo cerâmico inferior (Biqueima) são
indicados nesses histogramas, demonstrando que o bloco apresenta uma
chance muito grande de apresentar características cerâmicas favoráveis, em
relação à absorção d’água. Em contrapartida, para retração linear, as
chances são bem maiores de se constituir num bloco com argila em média
fora dos padrões requeridos. Como a classificação em tipos cerâmicos é feita
em conjunto (Tabela 2.3), este bloco apresenta uma chance pequena de ser
recuperável do ponto de vista cerâmico.
146
(a) (b)
(m)
(c) (d)
(%)
(e) (f)
(%)
Figura 4.8 - Médias bloco-a-bloco (E-type) das cinqüenta realizações para espessura (a),
absorção d’água (c) e retração linear (e), mostrando para bloco destacado no centro-oeste da
área histogramas de variabilidade para valores simulados em cada variável, respectivamente (b),
(d) e (f). Para as variáveis de qualidade são demarcadas nos histogramas os intervalos aceitáveis
para argila cerâmica, quando as variáveis são consideradas individualmente.
Da mesma forma descrita nos dois parágrafos anteriores, outros

blocos de interesse podem ser analisados probabilisticamente a partir de
resultados de simulações, em relação a potenciais de apresentar espessuras
e/ou características cerâmicas desejadas. Análises de recuperabilidade local
(bloco-a-bloco) serão apresentadas em detalhe no item 4.5.1.
147
Vários métodos para avaliar e visualizar incerteza local em depósitos

minerais são descritos em Srivastava (1994) e Goovaerts (1997, p.333-340),
utilizando resultados de simulações condicionais. Duas medidas de incerteza
local, baseadas nos resultados das simulações processadas anteriormente,
foram escolhidas para o presente estudo de caso, analisando a dispersão
dos diferentes atributos de interesse bloco-a-bloco (i.e., 50 valores para cada
variável de interesse em cada bloco): (i) coeficiente de variação (CV),
resultando em mapas de variabilidade; e (ii) probabilidade de exceder um
dado valor mínimo bloco-a-bloco, resultando em mapas de probabilidade.
Mapas destas diferentes quantidades constituem ferramentas na orientação
aos processos de tomada de decisões mineiras. Os mapas de probabilidade
serão aplicados na análise local de reservas recuperáveis (item 4.5.1).
Os mapas de variabilidades da Figura 4.9 apresentam valores de CV
obtidos conforme Equação 4.5, para as três variáveis de interesse. Esses
valores representam dispersões dos valores simulados para cada bloco em
torno da média destes (=valor esperado do bloco), assim:
σs
CVbl = (4.5)
Xs
onde: CVbl é o coeficiente de variação bloco-a-bloco; σ s é o desvio padrão
dos cinqüenta valores simulados para cada bloco; e X s é a média desses

cinqüenta valores (E-type).
Para a variável absorção d’água (Figura 4.9a), os valores mais
elevados (em torno de 0,25) tendem a se distribuir nas bordas do subdomínio
avaliado, em especial no extremo NW. Essas oscilações locais relativamente
pequenas tendem a ficar ainda menores na porção centro-norte da área,
junto ao limite com o subdomínio transição, confirmando o caráter transicional
da passagem a N para a região do tálus.
A outra variável de qualidade retração linear, embora pela comparação
mútua das diferentes realizações apresentadas na Figura 4.7 possa à
primeira vista parecer menos errática (devido à escala de valores utilizada),
na verdade mostra na Figura 4.9b que das três variáveis de interesse é a que
148
apresenta maior variabilidade local. Isso ocorre tanto em termos de valores

absolutos de CV quanto da irregularidade da disposição de valores altos e
baixos. Novamente a região NW da área, onde há uma menor densidade de
valores amostrais, apresenta uma variabilidade mais alta, com valores
próximos a 45%.
(a) (b)
(c)
CV
Figura 4.9 - Mapas de variabilidade mostrando bloco-a-bloco valores de coeficiente de variação

(CV) para as três variáveis: (a) absorção d’água; (b) retração linear; e (c) espessura.
A espessura (Figura 4.9c) confirma a baixa variabilidade já observada

nos mapas de simulação de ambos os suportes considerados (Figuras 4.5 e
4.6): valores de CV predominantemente menores que 0,15. Seguindo
tendência observada para absorção d’água, a redução da dispersão dos
valores simulados para um mesmo bloco na porção centro-norte da área é
notória.
149
A variabilidade da argila computada em termos globais, para a planície

como um todo, tem fortes impactos na análise de risco/incerteza na
quantificação de reservas recuperáveis globais. Tal abordagem será objeto
de análise do item 4.5.2, englobando as três variáveis de interesse.
4.5 Reservas Recuperáveis de Argila no Subdomínio Planície
As simulações processadas e abordadas anteriormente (item 4.3.3)

para as variáveis de interesse permitiram a análise de variabilidade e
incerteza associada à predições em geral (item 4.4). Tal análise de
variabilidade é a seguir aplicada na quantificação de reservas recuperáveis
sob uma ótica probabilística, na mesma linha de enfoque abordada no item
4.3.1, tendo em vista todo o contexto que envolve reservas recuperáveis em
geral e especificamente em matérias-primas cerâmicas (item 4.2). As
reservas recuperáveis de argila no depósito em estudo são avaliadas
probabilisticamente, em termos locais (item 4.5.1) e globais (item 4.5.2),
segundo critérios de seletividade mineira (chance de possuir uma
determinada espessura mínima minerável) e critérios cerâmicos (chance de
enquadrar-se em um dos dois tipos cerâmicos).
O tipo de análise de reservas recuperáveis aqui efetuado revela seu
caráter inédito na medida em que conjuga, tanto bloco-a-bloco como
globalmente, critérios mineiros e critérios de qualidade (cerâmicos) na
quantificação de reservas segundo diferentes níveis de certeza. Isso permite,
a quem toma decisões em relação ao depósito mineral em análise, um amplo
e flexível quadro de possibilidades de situações, para diferentes níveis de
probabilidade de ocorrência, e portanto para diferentes graus de risco.
A importância da apreciação da incerteza em tomadas de decisões de
investimentos é claramente abordada em Chilès & Delfiner (1999, p.22-24).
Com a observação da repetição de certos fenômenos (por simulação) em
relação a um dado critério, pode-se antecipar probabilisticamente chances
que um determinado evento venha a ocorrer futuramente.
Toda essa análise de incertezas é calcada em conceitos estatísticos
oriundos das simulações realizadas e distribuições de probabilidades geradas
150
a partir destas, bem como em conceitos de dependência/independência

estatística entre diferentes eventos, conforme será visto adiante (item
4.5.1.3), ao integrar critérios mineiros e cerâmicos.
4.5.1 Avaliação Local
4.5.1.1 Critérios Mineiros
Mapas mostrando a probabilidade da espessura de um bloco exceder

um dado valor mínimo minerável, ainda que independentemente de sua
classificação cerâmica, são úteis como guias no planejamento e
seqüenciamento mineiro em pequenos depósitos como o presentemente em
estudo. Esses mapas são igualmente relevantes para selecionar
equipamentos apropriados dada uma seletividade requerida durante a lavra.
Regiões de menores espessuras de argila requerem mais cautela ao serem
mineradas, para evitar diluição/contaminação.
Para cada bloco simulado, a probabilidade de exceder uma
determinada espessura é verificada observando-se a proporção dos
cinqüenta valores possíveis maiores que aquele valor de referência. Assim,
uma probabilidade de 90% de um bloco exceder uma espessura de 0,50m,
por exemplo, significa na prática dizer que 45 das 50 realizações para aquele
bloco apresentaram valores maiores que 0,50m. O mapa de probabilidade
para espessuras ≥ 0,40 m apresentaria desta forma todos os blocos com
probabilidade igual a 1,0 (100%), uma vez que o valor mínimo de espessura
simulada em todas as realizações é de 0,436 m, para o suporte de blocos
(0,40 m para o suporte quase-pontual).
São nítidas as reduções nas chances de blocos serem mineráveis ao
aumento progressivo da espessura mínima de 0,50 a 1,00 m (Figura 4.10).
Se uma espessura mínima minerável de 0,50 m for definida, praticamente a
totalidade dos blocos tem alta probabilidade (e.g., > 90%) de ser minerada
sem maiores problemas operacionais. Por outro lado, se considerarmos um
método mineiro menos seletivo, usando equipamento de maior porte e/ou um
operador de máquina com menor experiência, a mínima espessura minerável
151
poderia ser, por exemplo, 1,00m. Nesta situação, blocos com nível de certeza
alto (e.g., > 90%) de serem iguais ou acima desta espessura mínima
compreenderiam menos que a metade do depósito.
(a) (b)
Prob.
(c) (d)
Figura 4.10 - Mapas de probabilidade em exceder bloco-a-bloco espessuras mínimas de:

(a) 0,50m; (b) 0,70m; (c) 0,80m; (d) 1,00m.
Assim, para situações de lavras menos seletivas, a porção centro-leste

da área desponta como a mais favorável em termos de risco de
contaminação com material estéril.
4.5.1.2 Critérios Cerâmicos
A classificação cerâmica de blocos para recursos geológicos

estimados no Capítulo 3 levou em consideração os tipos cerâmicos definidos
segundo as duas variáveis de qualidade, tomadas simultaneamente
(conforme critérios classificatórios da Tabela 2.3). Assim, uma análise de
152
reservas recuperáveis quantificando o risco em classificações cerâmicas

bloco-a-bloco só tem sentido no momento em que se considera dispersões
destes atributos de forma conjunta. Uma maneira direta de atingir este
objetivo foi aplicada no presente estudo de caso, verificando para cada bloco
a chance da argila ocorrente de ser enquadrável como tipo monoporosa ou
biqueima, independentemente de sua espessura. Tal verificação foi levada a
cabo de maneira similar ao caso da espessura mínima (item 4.5.1.1): para
cada bloco simulado, a probabilidade de classificação efetiva em um ou outro
tipo cerâmico corresponde à proporção dos 50 valores possíveis
enquadráveis nas respectivas categorias, verificando-se conjuntamente para
cada realização o valor simulado para as duas variáveis de qualidade.
Portanto, uma probabilidade de 90% de um bloco ser do tipo Biqueima, por
exemplo, significa na prática dizer que 45 das 50 realizações para aquele
bloco foram classificáveis como tal.
Assim, a exemplo da variável espessura, mapas de probabilidade da
argila ocorrente num bloco cumprir requisitos para ser aproveitável nos
processos cerâmicos, como um ou outro tipo, são úteis como guias no
planejamento e seqüenciamento mineiro em pequenos depósitos como o
presentemente em estudo. Esses mapas são igualmente relevantes para
mapear zonas mais propícias para futuros empreendimentos mineiros, em
termos de riscos em relação ao preenchimento de requisitos cerâmicos. Dada
uma determinada variabilidade de um bloco ou conjunto de blocos de um
determinado setor do depósito, pode-se antecipar margem de flutuabilidade
que poderá apresentar a argila, e conforme a tolerância dos processos
cerâmicos envolvidos, verificar se a argila poderá ser usada ou não, a um
dado nível de confiança.
A Figura 4.11 apresenta bloco-a-bloco as probabilidades da argila vir a
ser na realidade, para este suporte, classificável como um dos dois tipos
cerâmicos (Figuras 4.12a e b), ou indistintamente como argila cerâmica
(Figuras 4.12c). Neste último caso, leva-se em consideração o cálculo de
soma de probabilidades (Koch & Link, 1970 p.38-39), conforme fórmula de
adição representada pela Equação 4.6:
P{X+Y} = P{X} + P{Y} - P{XY} (4.6)

153
onde: P{X+Y} = soma lógica das probabilidades de eventos X e Y;

P{X} = probabilidade do evento X; P{Y} = probabilidade do evento Y; P{XY}
= probabilidade de ambos os eventos ocorrerem simultaneamente.
No caso dos eventos X e Y serem mutuamente excludentes,
P{XY} = 0, e a fórmula da adição fica simplesmente:
P{X+Y} = P{X} + P{Y} (4.7)
Para o caso presente, retratado na Figura 4.11, como os fatos da

argila ser biqueima ou monoporosa correspondem de fato a eventos
mutuamente excludentes, a Equação 4.7 se aplica. P{X+Y} pode assim ser
interpretado diretamente como a probabilidade da argila ser aproveitável
segundo os parâmetros cerâmicos requeridos para um dos dois tipos
cerâmicos (monoporosa ou biqueima), i.e., ser classificada na realidade
indistintamente como « argila cerâmica ».
As chances dos blocos apresentarem de fato argila tipo Monoporosa
são remotas, conforme se verifica na Figura 4.11a, com exceção da porção
NE da área, onde alguns blocos apresentam probabilidades medianas para
tal. Isso demonstra a suscetibilidade de erro nas classificações por krigagem
para este tipo de argila mais nobre (Capítulo 3). Para as análises globais de
reservas recuperáveis (item 4.5.1.2) não será feita a avaliação de reservas de
argila do tipo Monoporosa independentemente, pois com probabilidades
locais tão pequenas não se justificaria em hipótese alguma algum
empreendimente levando em consideração uma perspectiva de minerar argila
monoporosa em quantidade apreciável, principalmente quando considera-se
níveis mínimos de seletividade mineira. Por outro lado, esse tipo de análise
global para argilas do tipo Biqueima, isoladamente, ficaria incompleto e ao
mesmo tempo conservador, ao desconsiderar-se as chances da argila ser
monoporosa, em especial nos blocos mencionados na porção NE da área,
onde probabilidades atingem patamares em torno de 50%. Simplística e
realisticamente, parece mais lógico somar probablidades dos dois tipos
(Figura 4.11c), conforme Equação 4.7, e considerar-se apenas
probabilidades totais de reservas recuperáveis de « argila cerâmica ».
154
(a) (b)
(c) Prob.
Figura 4.11 - Probabilidades bloco-a-bloco de ocorrência de argila tipo Monoporosa no suporte

25m x 25m (a) somadas às probabilidades de ocorrência de argila tipo Biqueima (b) resultam
nas probabilidades totais de ocorrência de argila cerâmica (c).
Ainda sobre a Figura 4.11, cabe ressaltar as elevadas probabilidades

verificadas para a porção centro-leste da área, especialmente para a argila
cerâmica total (Figura 4.11c). Isso coincide com a maior favorabilidade
observada também para esse setor no que diz respeito a espessuras de
argila. No item a seguir, será apresentada um avaliação da situação quando
considera-se os dois tipos de informação conjuntamente.
155
4.5.1.3 Combinação de Critérios Mineiros e Cerâmicos
A avaliação de reservas recuperáveis de argila e incertezas/riscos

envolvidos, a fim de ser realisticamente efetiva, deve necessariamente levar
em consideração simultaneamente critérios mineiros de seletividade
(=espessura mínima) e critérios de qualidade, no tocante à classificação
cerâmica bloco-a-bloco. No cotidiano mineiro, não se pode prescindir das
duas informações associadamente, a fim de verificar o quadro geral e a partir
daí começar a pensar em decisões e possíveis operações mineiras. Em
outras palavras, projeções futuras em cima de possíveis pespectivas de
negociações e abertura de mina só poderão começar a ser delineadas com
maior segurança no momento em que forem quantificadas simultaneamente:
(i) magnitudes de dispersões locais (incertezas locais) para a lavrabilidade da
argila num dado grau de seletividade mineira; e (ii) incertezas no tocante à
adequabilidade de sua utilização como um dado componente em formulações
cerâmicas.
Essa análise conjunta probabilística, envolvendo ocorrências
simultâneas de determinados fatos/eventos (probabilidades condicionais),
exige que se dimensione o grau de interdependência estatística entre esses
eventos de diferente natureza.
A definição de dependência e independência entre variáveis aleatórias
ou eventos, relacionada à teoria clássica de probabilidade, é desenvolvida
em David (1977, p.26-29). Intuitivamente, duas variáveis/eventos são
consideradas independentes se o conhecimento de uma não aporta nenhuma
informação a respeito de outra. No caso de uma abordagem geoestatística,
há interdependência espacial entre valores de um dado atributo se eles
estiverem dispostos, numa determinada direção um do outro, a uma distância
menor que o alcance variográfico para aquela dada direção. Se a distância
entre eles exceder o valor do alcance, não há mais dependência mútua, e o
conhecimento de um valor não ajuda em nada para a predição do outro valor.
Em termos matemáticos, as idéias acima são traduzidas na forma de
probabilidade condicional. A probabilidade condicional de A1 em A2, P{A1|A2},
significa literalmente “a probabilidade de A1 considerando que A2 tenha
acontecido”. No caso de independência mútua absoluta (i.e., o conhecimento
156
prévio de A2 não ajuda em nada a saber sobre A1), a relação entre duas
variáveis aleatórias A1 e A2 é:
P{A1|A2} = P{A1} (4.8)
Por definição, a probabilidade condicional de A1 em A2 é:
P{A1|A2} = P{A1, A2} / P{A2} (4.9)
Assim, para duas variáveis independentes,
P{A1,A2} = P{A1}P{A2} (4.10)
onde P{A1,A2} é chamada a probabilidade conjunta de A1 e A2, i.e.,

probabilidade que os dois eventos ocorram simultaneamente, medida no
intervalo [0,1].
Aspectos concernentes à questão de independência estatística são
aprofundados em maior detalhe por Spiegel (1978, p.12-13) e Pereira (1979,
p.288-296). Discussões sobre o assunto contendo aplicações geológicas
podem ser vistas em Koch & Link (1970, p.36-42) e Agterberg (1974, Cap.8).
Testes de independência não são diretamente obtidos. Talvez a
maneira mais imediata seja plotar, para uma série de pontos xi,yi, a nuvem de
pontos representativos num diagrama X,Y (diagrama de correlação ou de
espalhamento: scatter plot). A Figura 3.13c e d mostra exemplos deste tipo
de plotagem, onde verifica-se claramente que, para a planície, não há
nenhuma correlação nítida entre valores amostrais de espessura de argila e
de variáveis de qualidade, observados nos mesmos pontos. Pode-se assim
afirmar que há independência estatística entre estas variáveis (espessura x
absorção d’água e espessura x retração linear).
Portanto, a independência estocástica ou estatística implica na falta
de relações entre eventos ou variáveis aleatórias (Olea, 1991 p.74). Por
extensão, eventos são considerados independentes se a ocorrência ou não
de um evento não muda a probabilidade de ocorrência de qualquer dos
outros eventos. Os eventos {A1, A2,…, Ai,…, An} são estocasticamente
157
independentes se e somente se a probabilidade de ocorrerem

concomitantemente seja dada por:
n n
P( Ai)= ∏ P(Ai) (4.11)
i =1 i =1
onde:
P = probabilidade compreendida em [0,1];
n
∏
i =1
P(Ai) = produto total das multiplicações de probabilidades individuais
dos eventos {A1, A2,…, Ai,…, An}.

A Figura 4.12 ilustra a falta de uma correlação mais definida entre a
probabilidade da argila ocorrente em cada bloco venha a ser realmente
aproveitável como argila cerâmica (biqueima ou monoporosa) e a
probabilidade da espessura no mesmo bloco ser maior que 0,80 m. Isto
sugere uma independência estocástica entre esses dois eventos: o fato de
um bloco ter espessura média menor ou maior que esse valor não o
predispõe em menor ou maior grau a apresentar uma argila cerâmica. Tal
assertativa é corroborada pela falta de correlação entre espessura e os
parâmetros de qualidade tomados individualmente, conforme já mencionado
neste item. O Apêndice J apresenta essa mesma independência de
probabilidades para espessuras mínimas consideradas no intervalo
[0,40m; 0,50; …; 1,00m].
Portanto, ao assumir-se a independência estocástica entre diferentes
eventos correspondentes aos critérios mineiros e aos critérios cerâmicos, já
abordados separadamente na avaliação local de reservas recuperáveis (itens
4.5.1.1 e 4.5.1.2), a análise de probabilidades locais Pbl (bloco-a-bloco)
conjuntas de cumprir requisitos mineiros e cerâmicos, assumidamente
independentes, é regida pela relação enunciada da Equação 4.12, fruto das
Equações 4.10 e 4.11:
Pbl{A1,A2} = P{A1}P{A2} (4.12)

158
onde: evento A1= argila ser cerâmica; A2 = espessura média do bloco ser
acima de um limite de seletividade (0,50m , 0,60m , …, 1,00m).
100
80
60
40
20
0
0 20 40 60 80 100
Prob. A.C. (%)
Figura 4.12 - Diagrama de correlação entre probabilidades de ocorrência de argila cerâmica

(Prob. A.C.) e probabilidades de espessura ≥ 0,80 m (=Prob. Esp. 0,80m), bloco-a-bloco.
A Figura 4.13 ilustra para toda a planície (tomada bloco-a-bloco) a

probabilidade conjunta da argila ocorrente ser cerâmica e da espessura
média do bloco ser acima de determinados valores. Como a espessura
mínima simulada em blocos é de 0,436 m, o mapa de probabilidade
conjunta da argila ter espessura maior que 0,40 m (P = 1,0 para todos os
blocos simulados) e ao mesmo tempo ser cerâmica corresponderá ao mapa
de probabilidade do bloco ser cerâmico, já apresentado na Figura 4.11c.
Ao comparar-se a Figura 4.13 com a Figura 4.10, onde critérios de
qualidade não foram levados em consideração, verifica-se uma redução geral
significativa nas chances dos blocos atenderem os dois tipos de exigências,
para mesmas espessuras mínimas, exceto para o caso de 1,00 m (Figura
4.13d). Tal exceção deve-se à grande incidência de condições extremas
(P ≈ 1,0 ou P ≈ 0) para um e/ou outro critério, causando essa proximidade.
Além disso, observa-se a confirmação da porção centro-leste da área como a
mais favorável para a recuperabilidade dos blocos, também quando
considera-se critérios mineiros e cerâmicos simultaneamente.
159
(a) (b)
Prob.
(c) (d)
Figura 4.13 - Mapas de probabilidades conjuntas bloco-a-bloco de ocorrência de argila

cerâmica acima de determinadas espessuras: (a) 0,50m; (b) 0,70m; (c) 0,80m; (d) 1,00m.
4.5.2 Avaliação Global
Na quantificação de reservas recuperáveis e margens de risco

associadas apresentadas até aqui, foram avaliados aspectos locais (bloco-a-
bloco) de probabilidades de recuperação de reservas, possibilitando a análise
setorial do depósito no subdomínio planície. Porém, conforme apontado no
item 4.2, a tomada de decisões em relação ao depósito como um todo (ou
pelo menos um setor mais amplo deste, já individualizado), deve levar em
consideração a avaliação global de reservas recuperáveis, i.e., tomando o
depósito (ou segmento individualizado deste) globalmente. Tal tipo de análise
é fundamental no estudo de viabilidade do incremento de investimentos,
tendo em vista aspectos concernentes à recuperabilidade e ao efetivo
aproveitamento de reservas a longo prazo.
160
Nos itens a seguir, será procedida esta análise global, através de

tabelas e curvas de parametrização de reservas, mantendo a mesma
estruturação que a avaliação local anterior, i.e., sob critérios mineiros,
cerâmicos, e a associação destes. O enfoque probabilístico empregado
anteriormente é igualmente aplicado, verificando cenários extremos
(pessimista e otimista) e medianos para cada espessura mínima considerada
e/ou para cada índice de confiabilidade adotado para o enquadramento da
argila ocorrente como cerâmica. A mesma independência de eventos entre
espessura e a classificação cerâmica é também aqui assumida na análise
conjunta do impacto dos dois tipos de informação associados. Com isso, é
medida a dispersão em torno de predições possíveis, possibilitando o
dimensionamento de riscos envolvidos em tomadas de decisões globais para
este segmento do depósito - a planície.
4.5.2.1 Critérios Mineiros
A quantificação das reservas recuperáveis globais e riscos associados,

segundo critérios exclusivos de seletividade - espessura mínima minerável - é
obtida através do cálculo de tonelagens independente de sua classificação
cerâmica. Esse cálculo consistiu, para cada espessura mínima considerada e
respectivos blocos acima deste valor de referência, na multiplicação da área
constante de cada bloco (625 m2) por sua espessura simulada média,
assumindo um valor constante para o peso específico (2 t/m3). Para cada
espessura mínima de referência, foram selecionados os cenários otimista
(melhor), mediano e pessimista (pior), de acordo com a espessura média
global para cada realização.
Tal tipo de análise já havia sido feita em Stangler et al. (2001a),
Apêndice A, separadamente para blocos pré-classificados (por estimativa de
krigagem ordinária) de cada tipo cerâmico. Na presente dissertação, optou-se
por primeiro avaliar as reservas recuperáveis globais totais (independente de
classificação cerâmica), para depois conjugar os dois critérios (item 4.5.2.3).
A variabilidade das reservas recuperáveis pode ser visualizada na
Figura 4.14. É notória a sensibilidade da redução do montante de reservas
161
recuperáveis com o aumento do grau de seletividade: de um patamar de

aproximadamente 300.000 t para menores espessuras mínimas mineráveis
passa-se a pouco mais de 100.000 t quando a espessura mínima de 1,0 m é
requerida para a lavra. Isso representa três vezes menos reservas, podendo
invibializar a abertura de uma mina se o consumo médio mensal da matéria-
prima for significativo, e a resultante curta vida útil da mina não justificar o
investimento em um empreendimento mineiro. Conforme se observa nesta
figura citada e na Tabela 4.2, a redução de tonelagens é mais forte para
espessuras superiores a 0,70 m.
A Tabela 4.2 quantifica a instabilidade (ou risco) em predições de
reservas recuperáveis segundo critérios exclusivamente de seletividade
mineira. A incerteza tende a ser maior com o aumento da espessura mínima
minerável, não sendo simétrica a oscilação em torno de valores medianos,
conforme as curvas da Figura 4.14 e os percentuais da Tabela 4.2 revelam.
Métodos de lavra requerendo maior espessura mínima minerável, além de
resultarem em drástica redução nas tonelagens recuperáveis de argila,
acarretariam em uma maior margem de erro nas predições globais de
reservas.
300000
200000
100000
0
0.4 0.5 0.6 0.7 0.8 0.9 1
Espessuras Mínimas Mineráveis (m)
Pessimista Mediano Otimista
Figura 4.14 - Curvas mostrando cenários extremos e mediano de reservas recuperáveis segundo
diferentes níveis de seletividade mineira.
162
Tabela 4.2 - Quadro de reservas recuperáveis em cenários extremos e mediano segundo

diferentes níveis de seletividade mineira, mostrando entre parênteses oscilações percentuais em
relação a valores medianos.
Espessura Mínima Cenário Cenário Cenário
Minerável Pessimista Mediano Otimista
(m) (t) (t) (t)
0,40 274.801 281.792 287.924

(-2,48%) (+2,18%)
0,50 270.021 279.218 287.320

(-3,29%) (+2,90%)
0,60 257.143 271.724 279.677

(-5,37%) (+2,93%)
0,70 238.523 249.931 264.578

(-4,56%) (+5,86%)
0,80 195.112 210.706 227.391

(-7,40%) (+7,92%)
0,90 147.268 165.989 177.132

(-11,28%) (+6,71%)
1,00 99.533 118.589 132.461

(-16,07%) (+11,70%)
É também relevante para este tipo de aplicação avaliar a área

envolvida na lavra. Quando vários depósitos estão sendo comparados para
selecionar um deles para lavra de um determinado tipo de argila, a área
superficial atingida impacta economicamente o projeto como um todo, pois
custos estão envolvidos na aquisição de terrenos e na recuperação
ambiental. Oscilações no fator de recuperação em t/m2 são importantes nos
processos de tomada de decisões mineiras mencionados anteriormente.
Embora com a significativa redução no total de reservas recuperáveis
associada ao progressivo aumento da seletividade mineira, conforme
discutido anteriormente, a Figura 4.15 mostra que métodos mais seletivos
acarretam num rendimento médio em t/m2 aproximadamente 30% maior
quando se passa de espessuras mínimas de 0,40 para 1,00 m. De forma
análoga à análise de incerteza nas tonelagens recuperáveis, essa figura
identifica cenários extremos e medianos para cada nível de seletividade
mineira considerado.
163
2,50
2,25
(t/m2)
2,00
1,75
0,4 0,5 0,6 0,7 0,8 0,9 1
Pessimista Mediano Otimista
Figura 4.15 - Curvas mostrando cenários extremos e mediano de recuperação em t/m2 segundo
diferentes níveis de seletividade mineira.
4.5.2.2 Critérios Cerâmicos
Seguindo a sistemática adotada no item 4.5.1.2, a análise global de

reservas recuperáveis a seguir discutida foi realizada independentemente de
espessuras simuladas nos blocos, considerando a variabilidade dos atributos
de qualidade de forma conjunta, e verificando totais de reservas simuladas
segundo diferentes níveis de confiabilidade. A exemplo do item anterior, aqui
foram selecionados os cenários globais extremos e medianos para cada
índice de confiabilidade considerado (de 50 a 100%), formando as curvas de
parametrização apresentadas na Figura 4.16.
A análise conjunta da Figura 4.16 e da Tabela 4.3 permite a
visualização do impacto do total de tonelagens para diferentes índices de
certeza de ocorrência de argila cerâmica. Especialmente para índices de
confiabilidade maiores que 90%, caracterizando margens de risco mínimas, a
taxa de decréscimo (inclinação nas curvas) para reservas recuperáveis com
segurança aumenta consideravelmente. O clássico índice mínimo de 95% de
certeza de lavra de argila preenchendo os necessários requisitos cerâmicos
significa tonelagens recuperáveis de aproximadamente 70.000 t, valor baixo
que pode inviabilizar a abertura de mina dependendo da demanda. Por outro
lado, uma postura mais otimista e/ou mais flexível em termos de exigência de
homogeneidade do material nos processamentos cerâmicos pode triplicar
esse montante.
164
A exemplo das curvas de parametrização apresentadas nas figuras

anteriores, a Figura 4.16 indica, para cada índice de confiabilidade de
ocorrência de argila cerâmica, os cenários otimista, pessimista e mediano. A
Tabela 4.3 mostra que essa oscilações são percentualmente pequenas
(máximo de 4,20%) e aproximadamente simétricas em torno de valores
medianos. Isso significa que, ao adotar-se um índice mínimo de
confiabilidade (e.g., 80%) para ocorrência de argila cerâmica no suporte de
blocos 25m x 25m, a margem de erro em torno da recuperação total de
reservas será relativamente pequena.
250000
200000
Reservas (t)
150000
100000
50000
0
50 60 70 80 90 100
Probabilidade Mínima de
Argila Cerâmica (% )
Otimista Mediano Pessimista
Figura 4.16 - Curvas mostrando cenários extremos e mediano de reservas recuperáveis segundo
diferentes níveis de chance de ocorrência de argila cerâmica medidos bloco-a-bloco.
165
Tabela 4.3 - Quadro de reservas recuperáveis em cenários extremos e mediano segundo

diferentes níveis de de chance de ocorrência de argila cerâmica, mostrando entre parênteses
oscilações percentuais em relação a valores medianos.
Probabilidade Cenário Cenário Cenário
Mínima de Argila Pessimista Mediano Otimista
Cerâmica (t) (t) (t)
(%)
50 232.767 237.805 243.031
(-2,12%) (+2,20)
60 216.071 221.130 226.566

(-2,29%) (+2,46%)
70 190.507 194.676 199.523

(-2,14%) (+2,49%)
80 160.480 163.036 167.810

(-1,57%) (+2,93%)
90 111.023 113.505 116.943

(-2,19%) (+3,03%)
95 69.013 71.904 73.921

(-4,02%) (+2,80)
100 28.364 29.569 30.810

(-4,08%) (+4,20%)
As Figuras 4.17 e 4.18 demonstram o que aconteceria com valores

médios dos parâmetros de qualidade ao adotar-se diferentes graus de
confiabilidade (=probabilidade mínima de ocorrência de argila cerâmica).
Para absorção d’água, os valores mantêm-se aproximadamente constantes,
com uma suave queda para índices mais altos de certeza, mesmo assim um
pouco acima do limite superior máximo requerido para argilas mais nobres,
do tipo Monoporosa (15%). Para retração linear, as diferenças são mais
significativas ao aumentar-se as exigências em termos de chance de
ocorrência de argila nos padrões requeridos. Valores mais baixos tendem a
ser obtidos com o aumento dessas exigências, atingindo nos níveis mais
elevados (≥90%), o intervalo requerido para argila monoporosa (≤1,5%).
Numa hipótese conservadora ao extremo, um quadro prevendo a lavra de
blocos exclusivamente com 100% de certeza de ocorrência de argila
cerâmica garantiria em média uma matéria-prima de boa qualidade, do tipo
Biqueima mas já no limite para o tipo Monoporosa. Porém as tonelagens
totais seriam muito reduzidas, de aproximadamente 30.000 t.
166
16.50
16.25
16.00
15.75
15.50
50 60 70 80 90 100
Probabilidade Mínima de Argila Cerâmica (%)
Figura 4.17 - Valores simulados médios de absorção d’água para diferentes níveis de chance de
ocorrência de argila cerâmica (suporte 25m x 25m).
1.60
1.55
1.50
1.45
1.40
1.35
1.30
50 60 70 80 90 100
Probabilidade Mínima de Argila Cerâmica (%)
Figura 4.18 - Valores simulados médios de retração linear para diferentes níveis de chance de
ocorrência de argila cerâmica (suporte 25m x 25m).
A análise de reservas recuperáveis, adotando um enfoque

probabilístico sob critérios de qualidade, permite a apreciação de benefícios e
riscos associados na performance da argila nos processos cerâmicas para os
quais será destinada. Diferentes níveis de certeza podem ser adotados,
conforme a política vigente na empresa mineradora e/ou consumidora da
argila do depósito em estudo, e tonelagens resultantes podem ser obtidas
para cada situação. Isso possibilita antecipar diferentes possíveis situações,
suas chances de ocorrência e impactos nos resultados advindos.
167
4.5.2.3 Combinação de Critérios Mineiros e Cerâmicos
Da mesma forma que a avaliação local de reservas recuperáveis só se

torna completa quando são considerados conjuntamente critérios de
seletivade mineira e critérios de qualidade cerâmica (item 4.5.1.3), a
avaliação global de reservas recuperáveis é mais abrangente e realista
quando os dois critérios são combinados e tomados em consideração
simultaneamente. O trabalho de Stangler et al. (2001a), Apêndice A, no qual
para a análise de reservas recuperáveis realizada com o mesmo banco de
dados do presente trabalho somente a espessura foi simulada e avaliada, já
recomendava como possível refinamento do trabalho o uso de simulações de
variáveis de qualidade, integrando todas as incertezas numa análise mais
completa de riscos, local e globalmente.
A aplicação da premissa da independência estocástica entre a
magnitude de valores simulados de espessura e as chances de ocorrência de
argila cerâmica em um bloco (item 4.5.1.3) é estendida à presente análise
global. A probabilidade de ocorrência de argila enquadrável como cerâmica
em um bloco, condicionalda à espessura acima de um determinado limite
mínimo minerável, corresponde portanto simplesmente à multiplicação das
duas probabilidades independentes.
Um tipo de abordagem de curvas de parametrização similar ao
utilizado nos dois subitens anteriores é aqui aplicado, tomando espessuras
definidas (em intervalos de 0,10 m, de 0,40 m até 1,00 m). Para cada caso
são identificados os cenários extremos e medianos, em grupos distintos
conforme a probabilidade da argila ser cerâmica.
A Figura 4.19 apresenta as reservas recuperáveis segundo diferentes
níveis de seletividade agrupadas em três diferentes níveis de confiabilidade
de ser cerâmica. A Tabela 4.4 apresenta os números correspondentes. Os
procedimentos de construção das curvas de parametrização de reservas,
segundo critérios mistos, são descritos abaixo (onde AC = argila cerâmica, e
esp = espessura de argila).
(i) Cálculo de probabilidades bloco-a-bloco de ocorrência de AC:

proporção dos cinqüenta valores simulados por bloco classificáveis
168
como tal, gerando uma série de valores compreendidos no intervalo

[0,1];
(ii) Seleção de um grupo de blocos (sub-banco de dados) com uma dada
probabilidade mínima de ser A.C. [e.g., P ≥ 50% (P ≥ 0,50): 199 blocos
de um total de 245 blocos];
(iii) Para essa série de dados selecionada, filtragem dos blocos acima de
uma determinada espessura (e.g., esp .≥ 0,60 m);
(iv) Cálculo das médias de espessura por realização, obtida a partir de um
número variável de blocos selecionados (e.g., para P esp ≥ 0,60m | P
AC ≥ 50%, observa-se o número de blocos no intervalo [186,195];
(v) Cálculo de reservas realização por realização, multiplicando o número
de blocos selecionados (para o exemplo acima, entre 186 e 195) pela
respectiva média, área constante de bloco (625 m2), e pelo peso
específico assumidamente constante, igual a 2 t/ m2;
(vi) Para as cinqüenta tonelagens obtidas (cinqüenta possíveis cenários),
seleção dos cenários mínimo, mediano e máximo de reservas;
(vii) Repetição do mesmo procedimento para cada espessura mínima
minerável (0,40 a 1,00 m), em cada grupo de probabilidades mínimas
de argila cerâmica (no caso ilustrado na Figura 4.20 e Tabela 4.3,
foram selecionados três grupos: P AC ≥ 50%, P AC ≥ 80%, P AC =
100%;
(viii) Plotagem e união dos pontos de mesma categoria de cenário para
cada sub-grupo de probabilidade mínima de argila cerâmica, formando
as curvas de parametrização de reservas.
Como seria de se esperar, as reservas recuperáveis diminuem sua

magnitude prevista em relação ao mesmo grau de exigência dos dois tipos de
critérios tomados isoladamente. Quanto maior a probabilidade mínima da
argila avaliada ser aproveitável na indústria cerâmica, além de menor a
tonelagem total para mesmas espessuras mínimas (queda drástica ao passar
de níveis de certeza de 80% para 100%), menor será a taxa de decréscimo
do total de reservas ao aumento da espessura mínima minerável (menor a
inclinação nas curvas). Além disso, dispersões máximas em torno de
169
cenários medianos, caracterizando cenários extremos (pessimista e otimista),

apresentam similar padrão de oscilação verificado para reservas
recuperáveis segundo critérios exclusivamente mineiros (Figura 4.14 e
Tabela 4.2): a incerteza nas predições aumenta na medida em que se
aumenta a espessura mínima minerável, para um dado índice de
confiabilidade de ocorrência de argila cerâmica.
300000
250000 P 〈 50%
50% Ot
50% Med
200000 P 〈 80%
50% Pes
100% Ot
150000 100% Med
100% Pes
100000 80% Ot
80% Med
50000 P = 100% 80% Pes
0
0.4 0.5 0.6 0.7 0.8 0.9 1
Espessura Mínima Minerável (m)
Figura 4.19 - Cenários extremos e mediano de reservas recuperáveis conjugando três diferentes
níveis de chance mínima de ocorrência de argila cerâmica (50, 80 e 100%) e sete diferentes níveis
de seletividade mineira (P = chance de ocorrência de argila cerâmica; Ot = cenário otimista;
Med = cenário mediano; Pes = cenário pessimista).
É interessante observar que, para espessuras maiores que 0,90 m há

uma sobreposição entre as curvas de cenário pessimista, das reservas
computadas para blocos com probabilidade mínima de 50% de conter argila
cerâmica, e a de cenário otimista, para probabilidade mínima de 80% de
ocorrência de argila cerâmica. Isso demonstra a infinidade de diferentes
situações para as quais podem ser previstas as chances de ocorrência,
denotando a versatilidade desse tipo de análise de riscos.
Novamente uma postura exigente, conservadora, requerendo
segurança de 100% na lavra de material aproveitável na indústria cerâmica,
resulta em tonelagens bastante reduzidas de argila recuperável, mesmo para
maior seletividade mineira. Por outro lado, tonelagens mais expressivas (e.g.,
maiores que 200.000 t), podem somente resultar efetivamente em reservas
170
recuperáveis mediante riscos de até 50% em encontrar uma argila fora dos
padrões requeridos e a necessidade de métodos mais seletivos. Em algum
local intermediário o minerador deverá achar seu ponto de equilíbrio
riscos/seletividade mineira/tonelagens recuperadas, e para isso acredita-se
que o tipo de análise apresentado seja suficientemente elucidativo e
orientativo à tomada de decisões mineiras relacionadas.
Tabela 4.4 - Quadro de reservas recuperáveis em cenários extremos e mediano conjugando três
diferentes níveis de chance mínima de ocorrência de argila cerâmica e diferentes níveis de
seletividade mineira.
P 〈 50 % P 〈 80 % P = 100 %
EM Pes Med Ot Pes Med Ot Pes Med Ot

(m) (t) (t) (t) (t) (t) (t) (t) (t) (t)
0,4 232.767 237.947 243.031 160.480 163.207 167.810 28.364 29.604 30.810
(-2,18) (+2,14) (-1,67) (+2,82) (-4,19) (+4,07)
0,5 231.056 236.487 242.296 160.480 163.207 167.810 28.364 29.604 30.810
(-2,30) (+2,46) (-1,67) (+2,82) (-4,19) (+4,07)
0,6 226.467 233.103 239.557 160.362 162.728 167.518 28.364 29.604 30.810
(-2,85) (+2,77) (-1,45) (+2,94) (-4,19) (+4,07)
0,7 211.221 220.936 228.853 153.575 159.022 165.823 28.364 29.604 30.810
(-4,40) (+3,58) (-3,43) (+4,28) (-4,19) (+4,07)
0,8 178.425 190.223 201.643 137.305 143.661 151.726 27.915 29.344 30.810
(-6,20) (+6,00) (-4,42) (+5,61) (-4,87) (5,00)
0,9 134.376 151.516 163.516 114.255 121.871 132.710 25.104 27.729 30.810
(-11,31) (+7,92) (-6,25) (+8,89) (-9,47) (11,11)
1,0 91.151 110.145 126.690 81.689 94.761 104.463 21.277 24.774 27.975
(-17,24) (+15,02) (-13,79) (+10,24) (-14,12) (12,92)
OBS.: P = probabilidade de argila cerâmica; EM = espessura mínima minerável; Pes = cenário mais pessimista; Med = cenário
mediano; Ot = cenário mais otimista; entre parênteses: oscilação em torno da mediana em percentual, para cada espessura
mínima minerável.
A Figura 4.20 apresenta os blocos incluídos em três situações

distintas, envolvendo os dois tipos de critérios, cerâmicos e mineiros: (i)
extremamente tolerável em termos de seletividade e grau de confiabilidade
de atendimento a requisitos de qualidade; (ii) extremamente exigente em
ambos os aspectos; (iii) caso intermediário. Para cada uma das três
situações listadas acima, foram plotados os casos extremos pessimista e
otimista, além do caso mediano, resultando num total de nove mapas (note
que o número de blocos é variável entre os três cenários de mesmas
171
condições de seletividade mineira e confiabilidade de qualidade cerâmica). A

análise visual destes mapas permite verificar claramente que o isolamento de
alguns blocos acarretaria inevitavelmente numa redução do montante de
reservas recuperáveis, decorrente de prováveis restrições operacionais
advindas.
otimista mediano pessimista
P≥50% (m)
EM=0,40m
P≥80%
EM=0,70m
P=100%
EM=1,00m
Figura 4.20 – Mapas de espessura recuperável de argila conjugando três diferentes níveis de
chance mínima de ocorrência de argila cerâmica e três diferentes níveis de seletividade mineira
(P = chance de ocorrência de argila cerâmica; EM = espessura mínima minerável).
Inúmeras outras combinações de diferentes espessuras mínimas

seletivas e diferentes graus de confiabilidade na qualidade cerâmica podem
ser visualizados em mapa, o que junto às curvas de parametrização
apresentadas anteriormente (Figura 4.19), podem vir a constituir importantes
e flexíveis ferramentas no planejamento de lavra.
4.5.2.4 Comparativo com Outras Metodologias
A maneira mais tradicional de análise de reservas recuperáveis, a

partir dos resultados de krigagem ordinária em blocos, é ilustrada a seguir
172
para o depósito em estudo, a título comparativo com a análise anteriormente

apresentada. A Figura 4.21 mostra as curvas de parametrização de reservas
resultantes das estimativas por krigagem apresentadas no Capítulo 3,
aplicando os mesmos critérios mineiros e cerâmicos empregados para a
análise via simulações estocásticas.
300000
250000
200000
150000
100000
50000
0
0.4 0.5 0.6 0.7 0.8 0.9 1
Espessura Mínima Minerável (m)
Argila Total Argila Cerâmica

Argila Biqueima Argila Monoporosa
Figura 4.21 - Curvas de reservas recuperáveis estimadas por krigagem ordinária em blocos
(argila cerâmica = argila biqueima + argila monoporosa).
As tonelagens recuperáveis estimadas por krigagem ordinária

praticamente mantém-se estáveis para espessuras de até 0,70 m para os
diferentes grupos considerados. Tendências observadas podem ser
verificadas numericamente na Tabela 4.5 . Para tonelagens considerando
apenas níveis distintos de seletividade mineira (coluna « Argila Total »),
percebe-se que há uma superestimativa da krigagem em relação aos
montantes obtidos por simulações. Isso segue uma tendência natural,
visualizável na Figura 4.2b (« efeito informação ») e discutido em Isaaks &
Srivastava (1989, p.483-486) e Myers (1996, p.309-313), concernente ao
posicionamento dos valores de referência (no caso, espessuras mínimas
mineráveis) em relação à média. Para situações como a presente, quando
esses valores são menores que a média (exceto para a espessura de 1,00 m,
ligeiramente maior que a média krigada de 0,979 m), a tonelagem
173
recuperável tende a ser maior para valores krigados do que para os

simulados, para os quais a dispersão mais realística dos valores é
considerada. Assim, os percentuais indicados entre parênteses na Tabela 4.5
mostram que essa superestimativa vai aumentando progressivamente à
medida em que se aumenta a espessura mínima minerável, até a espessura
de 1,00 m quando essa diferença começa a cair.
Tabela 4.5 - Quadro de reservas recuperáveis estimado por krigagem ordinária em blocos,
segundo diferentes níveis de seletividade mineira.
Espessura Argila
Mínima Argila Cerâmica Argila Argila
Minerável Total (Bq+Mp) Biqueima Monoporosa
(m) (t)* (t) (t) (t)
0,4 299.743 258.132 242.000 16.133

(+6,37%)
0,5 299.743 258.132 242.000 16.133

(+7,35%)
0,6 299.000 258.132 242.000 16.133

(+10,04%)
0,7 284.226 245.822 230.454 15.369

(+13,72%)
0,8 253.021 218.227 203.790 14.437

(+20,08%)
0,9 200.796 182.940 170.665 12.275

(+20,97%)
1,0 142.460 134.159 125.507 8.651

(+20,13%)
OBS.: Bq = argila do tipo biqueima; Mp = argila do tipo monoporosa; *: nesta coluna os números entre parênteses representam a
diferença percentual superestimada em relação ao cenário mediano da Tabela 4.2, para mesmas espessuras.
A Figura 4.22 justapõe no mesmo gráfico as funções de recuperação

obtidas por diferentes métodos em diferentes suportes, a diferentes níveis de
seletividade mineira para a argila total cubada (independente de sua
classificação cerâmica). A Tabela 4.6 apresenta os números
correspondentes. No caso da curva dos polígonos de influência, manteve-se
o mesmo suporte em blocos de 25 m x 25m utilizado nas simulações e
krigagem, simplesmente atribuindo ao bloco como um todo o valor de
espessura correspondente ao intervalo amostrado para o furo no centro deste
bloco. Para os blocos com ausência de furos, tomou-se o valor do furo mais
174
próximo ou a média destes, no caso de apresentarem mesmas distâncias ao

centro dos blocos nesta situação.
300000
250000
Reservas (t )
200000
150000
100000
0.4 0.5 0.6 0.7 0.8 0.9 1
s1x1 s25x25med k25x25 Pol Infl
Figura 4.22 – Curvas de parametrização de reservas obtidas a partir de: s1x1 = simulações no
suporte 1m x 1m; s25x25med = simulações no suporte 25m x 25m (cenário mediano); k25x25 =
krigagem de blocos 25m x 25m; Pol Infl = polígonos de influência em blocos 25m x 25m.
Algumas feições são evidentes na Figura 4.22:
(i) dois pares de curvas aproximadamente coincidentes entre si,

pelo menos até a espessura de 0,8 m:
• mais acima, indicando estimativas de comparativamente
maiores reservas: krigagem em blocos 25m x 25m e blocos
com o valor do ponto central (polígonos de influência);
• mais abaixo, simulações 1m x 1m e 25m x 25m;
175
(ii) dois pares de curvas aproximadamente paralelas entre si,

tendendo suavemente a convergir ao aumento de espessura
mínima:
• pontos e « quase-pontos »: polígonos de influência acima e
simulações 1m x 1m abaixo;
• blocos 25m x 25m: krigagem acima e simulações abaixo;
(iii) o cruzamento, em ângulo razoalvelmente acentuado, entre as

curvas das simulações no suporte quase-pontual e a curva da
krigagem, na altura da espessura mínima minerável de 0,95m
aproximadamente;
(iv) o paralelismo e similaridade entre si no comportamento das

cinco curvas de simulação no suporte 1m x 1m.
Para (i), no caso das curvas superiores de krigagem e polígonos de

influência, seu posicionamento denota em primeiro lugar o aspecto já
discutido ao longo dessa dissertação: superestimativa em geral para reservas
obtidas por polígonos de influência. Para a krigagem, sua estabilização e
superestimativa para espessuras mais baixas, juntamente com o forte
declínio da curva e na respectiva recuperabilidade das reservas para
condições menos seletivas de lavra, reflete diretamente o já discutido nesse
item: o efeito suavizador da krigagem e o posicionamento dos « cut-offs » em
valores na maior parte menores que a média. Nesse sentido se explica
também o cruzamento das curvas reportado em (iii), resultando em
subestimativas da krigagem para espessuras mínimas maiores que 1 m, em
relação às simulações em malha fina.
O paralelismo das curvas mencionado em (ii) pode ser atribuído ao
efeito suporte discutido anteriormente. O quase horizontalismo das curvas
relacionadas ao suporte dos blocos para espessuras mais baixas, seguidas
de um abrupto incremento no gradiente de redução da recuperabilidade das
reservas, contrapondo a um gradiente mais suave e homogêneo das curvas
obtidas para o suporte pontual, reflete a redução da variabilidade ao aumento
176
de suporte para blocos de lavra. O posicionamento das curvas de simulação

mais abaixo, implicando em menor recuperação dos recursos geológicos, é
decorrente do impacto da preservação da variabilidade da espessura no caso
das predições a partir das simulações – preservando assim espessuras
extremas mais baixas. Entre os dois grupos simulados (suportes 1m x 1m e
25m x 25m), o declínio das reservas observado para espessuras maiores em
se considerando blocos 25m x 25m reflete novamente o efeito suporte.
Finalmente, as feições de convergência observadas em (iv) atestam a
ergodicidade do modelo aplicado, também impactante na análise de reservas
recuperáveis.
Tabela 4.6 - Quadro de reservas recuperáveis (t) estimado por diferentes métodos e suportes.
EM Simu 1m Simu 25m Krig 25m PI 25m
(m)
0,4 286.224 274.963 282.629 281.124 278.849 281.792 299.743 304.474
0,5 276.045 264.135 271.492 270.526 267.774 279.218 299.743 297.973
0,6 267.198 254.805 261.986 261.056 258.146 271.724 299.000 292.347
0,7 247.619 234.570 241.233 240.435 236.940 249.931 284.226 275.482
0,8 223.535 210.703 216.771 215.033 210.998 210.706 253.021 257.837
0,9 191.404 179.364 184.895 182.002 178.175 165.989 200.796 226.378
1,0 161.427 151.095 155.929 152.027 148.775 118.589 142.460 189.958
OBS.: EM = espessura mínima minerável; Simu 1m = 5 realizações aleatoriamente tomadas no suporte 1m x 1m; Simu 25m =
cenário mediano para simulações no suporte 25m x 25m; Krig 25m = krigagem no suporte 25m x 25m; PI = polígono de
influência para suporte 25m x 25m.
A discussão acima justifica a opção de se fazer toda a análise de

reservas recuperáveis apresentada ao longo desse item a partir de
simulações, no suporte 25m x 25m, ao mesmo tempo preservando a
variabilidade do atributo, fundamental em estudos de cunho não-linear como
o presente, e aplicando o suporte a ser efetivamente utilizado na lavra.
Mostra-se patente a inapropriedade na aplicação de krigagem
ordinária na avaliação de reservas recuperáveis para o presente estudo de
caso. Além da suavização habitual da krigagem levando a uma
177
superestimativa das reservas para o caso específico, não se tem disponível

nenhuma informação sobre a incerteza sobre as predições, como no caso
das figuras com curvas de parametrização apresentadas. Mesmo a
classificação cerâmica adquire uma conotação mais realista com a aplicação
de simulações, propiciando previsões de reservas a partir de margens de
segurança determinadas. Da mesma forma, acredita-se que todas as
restrições apontadas ao longo dessa dissertação em relação ao perigo do
uso do método de polígonos de influência em estimativas, de uma maneira
geral, foram acima devidamente exemplificadas de forma quantitativa.
4.6 Discussão dos Resultados
As simulações realizadas permitiram uma avaliação da variabilidade

da argila ocorrente no depósito em estudo para as três variáveis de interesse.
A combinação dos resultados obtidos propiciou a quantificação de reservas
recuperáveis sob diferentes aspectos, sempre mantendo um enfoque
probabilístico, onde riscos nas predições foram quantificados.
As tonelagens obtidas mostraram uma sensibilidade maior de redução
especialmente para espessuras mínimas mineráveis maiores que 0,70 m,
paralelamente ao incremento de seu âmbito de incerteza. Isso denota a
relevância da escolha de métodos mais seletivos de lavra para um
aproveitamento mais amplo dos recursos da jazida.
O montante de reservas recuperáveis mostra-se altamente sensível ao
grau de confiabilidade empregado à classificação como argila cerâmica, i.e.,
na discriminação minério/estéril. Índices mais altos, por exemplo maiores que
80%, reduzem drasticamente os totais de argila, implicando possivelmente na
inviabilidade de abertura de mina para exigências de margens de riscos
pequenas, no caso de demandas mensais serem relativamente altas,
encurtando a vida útil da jazida. Esse impacto é acentuado quando níveis de
seletividade mineira são considerados simultanemente.
A independência estatística entre espessura da argila e suas
propriedades cerâmicas foi investigada e assumida como tal. A partir dessa
premissa, probabilidades condicionadas de ocorrências de argila bloco-a-
178
bloco preenchendo requisitos cerâmicos e mineiros puderam ser facilmente

calculadas. Para a combinação dos critérios na análise global, embora
apenas três probabilidades (50, 80 e 100%) tenham sido estrategicamente
selecionadas para demonstrativo, qualquer outro índice de interesse poderá
ser aplicado dependendo das circunstâncias, utilizando a mesma idéia
básica.
A porção centro-leste da planície configura-se como a mais favorável
tanto em termos de seletividade mineira quanto na garantia de
aproveitamento cerâmico adequado. Em contra-partida, a sua porção NW,
mais isolada, além de valores esperados pouco encorajadores, apresenta
uma instabilidade muito grande nas predições em geral.
As baixas probabilidades de ocorrência de argila monoporosa e as
margens de erro calculadas para chances da argila ser cerâmica, mesmo em
seu tipo menos nobre (biqueima), mostram o perigo nas classificações
cerâmicas locais a partir de estimativas por krigagem, incorrendo em riscos
de equívocos e problemas nos processamentos cerâmicos posteriores. A
superestimativa verificada para o cálculo global de reservas recuperáveis a
partir de métodos como krigagem ordinária e especialmente polígonos de
influência pode comprometer otimisticamente investimentos posteriormente
frustrantes. Para ambos os casos, as simulações estocásticas obtidas pelo
método de simulação seqüencial Gaussiana mostram sua adequabilidade
para a avaliação de recuperabilidade dos recursos anteriormente estimados,
em especial ao levar em consideração instabilidades nas previsões. É assim
quantificado o grau de desconhecimento assumido do depósito em estudo,
propiciando um melhor embasamento na tomada de decisões mineiras.
Capítulo 5
Conclusões e Recomendações
5.1 Conclusões
Neste item são apresentadas considerações finais conclusivas,

relacionadas à dissertação como um todo. Inicialmente uma síntese dos
resultados básicos obtidos é apresentada. Uma metodologia de referência
para avaliações do tipo de depósito aqui estudado é a seguir proposta.
Segue-se então uma discussão em torno do cumprimento dos objetivos
específicos à essa dissertação, inicialmente traçados.
5.1.1 Sumário dos Resultados Obtidos
Os trabalhos executados cujos resultados foram apresentados ao

longo dessa dissertação permitiram, em primeiro lugar, a obtenção de
estimativas de recursos geológicos distribuídos da seguinte forma:
• três subdomínios geológicos/geoestatísticos: Planície, Transição e Tálus;

• três variáveis de interesse: espessura de argila, e as variáveis de
qualidade cerâmica absorção d’água e retração linear;
• três variáveis regionalizadas: espessura de argila, acumulação de
absorção d’água e acumulação de retração linear;
• três produtos finais: argilas tipo Biqueima e Monoporosa, e estéril.
180
Subseqüentemente, a análise de reservas recuperáveis centrou-se no

subdomínio Planície, significativamente mais favorável que os demais.
Simulações estocásticas para as variáveis de interesse, indiretamente nos
parâmetros de qualidade, permitiram a obtenção de funções de
probabilidades locais, que por sua vez levaram à obtenção de funções de
recuperação, apresentadas na forma de curvas de parametrização de
reservas. Critérios mineiros, cerâmicos e uma combinação dos dois
nortearam essa seleção de reservas, a nível local e global, os quais numa
perspectiva probabilística possibilitam a apreciação de inúmeros cenários,
fundamentais nos processos de decisão em investimentos mineiros. Nessa
avaliação a distinção entre a argila tipo Biqueima e Monoporosa não se
mostrou prática, optando-se por distinguir nas estimativas simplesmente em
“argila cerâmica” e “argila fora dos padrões”, i.e., minério e estéril.
Um comparativo com metodologias tradicionais de avaliação de
reservas recuperáveis permitiu a constatação da maior eficiência e
versatilidade da metodologia empregada, via simulações estocásticas.
5.1.2 Proposta Metodológica
A meta dessa dissertação, conforme apresentado no item 1.2,

consistia basicamente na criação de uma proposta metodológica de
avaliação de reservas recuperáveis para esse tipo de depósito de argila
cerâmica, diante de todos os problemas atualmente encontrados neste meio,
decorrentes da ineficiência dos métodos tradicionalmente utilizados.
A seqüência apresentada a seguir constitui uma extensão natural do
fluxograma inicial do Capítulo 1 (Figura 1.1), adaptado ao que seria a
seqüência ideal de procedimento para avaliação desse tipo de reservas.
Embora apresentado na forma seqüenciada, é evidente que para cada caso
haverão interações específicas entre as diferentes etapas, ocasionalmente
com algumas inversões de ordem ou mesmo supressões. De qualquer
maneira, essa proposta almeja ser generalista e robusta o suficiente para
permitir sua utilização como um guia de referência inicial, passível de
adaptações e implementações específicas para o caso em estudo.
181
(i) Revisão e preparação do banco de dados para tratamento

geoestatístico, agrupando todas as informações geológicas relevantes,
idealmente com visitas a campo;
(ii) Compilação de todos os aspectos cerâmicos relevantes envolvidos,
com compreensão do significado das variáveis de qualidade
envolvidas e procedimentos amostrais e laboratoriais, adequando-as
ao tratamento geoestatístico subseqüente;
(iii) Modelamento digital do terreno;
(iv) Definição dos limites geográficos e das amostras a serem levadas em
consideração na análise geoestatística subseqüente;
(v) Verificação se as amostras foram coletadas sob um mesmo suporte;
em caso negativo proceder à regularização, com o uso de variáveis de
trabalho (acumulações) se necessário;
(vi) Verificação da homogeneidade geológica da área de estudo e, se
necessário, subdivisão em diferentes domínios geoestatísticos;
(vii) Definição de tratamento a ser dispensado em zonas periféricas e
possíveis zonas de transição;
(viii) Análise exploratória dos dados: mapas amostrais e histogramas,
desagrupando se necessário; verificação de correlações entre as
variáveis;
(ix) Análise Estrutural / Variografia;
(x) Krigagem ordinária e classificação de qualidade da argila em blocos de
lavra, quantificando e mapeando recursos geológicos separadamene
em subdomínios homogêneos;
(xi) Análise da relação estéril-minério separadamente por subdomínios, se
existentes;
(xii) Seleção inicial de áreas potenciais para lavra, para estudo de reservas
recuperáveis;
(xiii) Definição dos fatores técnicos que fundamentarão o discernimento em
recurso recuperável ou não (limitantes, “cutoffs”, etc.);
(xiv) Definição do método de simulações estocásticas a ser efetivamente
aplicado;
(xv) Definição do número de realizações necessárias para a análise de
variabilidade como um todo;
182
(xvi) Simulações estocásticas em suporte quase-pontual (mesmo suporte

amostral), mudando-o a posteriori para blocos de lavra;
(xvii) Validações das simulações;
(xviii) Análise de variabilidade bloco-a-bloco da argila e criação de
probabilidades locais;
(xix) Avaliação local (bloco-a-bloco) de reservas recuperáveis sob
diferentes critérios, com produção de mapas de probabilidades;
(xx) Avaliação global de reservas recuperáveis sob diferentes critérios, com
produção de curvas de parametrização e possibilidade de auxílio a
planejamento mineiro;
(xxi) Obtenção de quadros finais de reservas recuperáveis no depósito;
(xxii) Comparação com resultados advindos de metodologias já existentes;
(xxiii) Reconciliação: valores estimados x valores reais.
5.1.3 Atendimento a Objetivos Específicos
Face aos resultados obtidos ao longo dos capítulos precedentes, tendo

em mente o cumprimento dos objetivos específicos propostos no item 1.3,
são apresentadas a seguir as correspondentes conclusões finais dessa
dissertação.
• A devida compreensão do contexto geológico local, atuante na

distribuição espacial das variáveis de interesse, é de suma importância no
modelamento variográfico, e portanto na qualidade das estimativas e
simulações subseqüentes. A delimitação criteriosa de subdomínios
geológicos/geoestatísticos homogêneos evita mistura de populações de
características estatísticas distintas, minimizando tendenciosidades nas
predições;
• O uso de variáveis de trabalho (acumulações das variáveis de qualidade

com respectiva espessura do intervalo amostrado), decorrente da não
homogeneidade do suporte amostral, a despeito do caráter indireto do
processamento como um todo mostrou sua coerência na metodologia
183
empregada. A cuidadosa caracterização espacial desse conjunto de

variáveis permitiu a apreciação final quantitativa (tonelagens) e qualitativa
(tipos cerâmicos) da substância mineral pesquisada, nas unidades de
medição de real interesse na indústria relacionada, ao nível de blocos de
lavra. Portanto, a aplicabilidade prática e realística da metodologia
proposta foi sempre tomada em primeiro plano;
• O método tradicional de krigagem ordinária em blocos e sua característica

de minimização do erro de estimativa, levando também o importante efeito
suporte em consideração, mostra-se eficiente na classificação cerâmica
de recursos geológicos da argila ocorrente em depósito em avaliação. O
zoneamento e a quantificação setorizada desses recursos propicia uma
idéia da qualidade e ordem de grandeza dos recursos existentes. O
resultante discernimento de porções promissoras do depósito daquelas
sem maiores perspectivas, embasa o descarte no último caso, e orienta a
seqüência de trabalhos mais detalhados de avaliação de reservas
recuperáveis;
• As oscilações locais e globais da argila ocorrente no depósito em estudo,

tanto em termos de qualificação cerâmica quanto em termos de
tonelagens medidas, são apropriadamente estimadas a partir da aplicação
de métodos conceitualmente simples como a simulação seqüencial
Gaussiana. Os resultados obtidos permitem uma apreciação dinâmica de
diferentes possíveis cenários de reservas recuperáveis, conjugando
critérios industriais e de seletividade mineira a partir de uma ótica
probabilística;
• O método de estimativa por polígono de influência, tradicionalmente

usado neste tipo de depósito na região em estudo, mostra suas
substanciais restrições quando comparado à maior elaboração da
metodologia aqui empregada. A desconsideração a mudanças na
variabilidade da argila em diferentes suportes, e todas as implicações
decorrentes na classificação cerâmica e avaliação das reservas
184
recuperáveis são causadores de problemas crônicos na indústria

cerâmica e mineira associada. A também completa ignorância das
relações espaciais entre os valores amostrais negligencia a importância
da geologia local como controladora da disposição final dos valores do
atributo em estudo. Ainda, a flexibilidade da apreciação de diferentes
cenários de reservas recuperáveis, a níveis local e global, indicando
realisticamente riscos incorridos, é inexistente nessa metodologia
tradicionalmente aplicada.
5.2 Recomendações
A seguir, são apontadas sugestões para desenvolvimento de possíveis

futuros trabalhos, dando continuidade e aprimorando a metodologia proposta.
• Regiões de transição geológica/geoestatística, como a ocorrente no

presente estudo de caso, mereceriam uma amostragem mais densificada,
a fim de mapear distintas populações de forma mais clara, contribuindo na
maior adequabilidade da aplicação de métodos de simulação estocástica
de cunho estacionário, como o aqui empregado. A conjugação de
características geológicas, cerâmicas e mineiras indicadas pelas
estimativas de recursos geológicos existentes no subdomínio tálus,
alicerçados pelas características sócio-econômicas locais, permitem
segurança na recomendação de descarte desta porção do depósito;
• O comparativo entre diferentes métodos e diferentes suportes executado

para funções de recuperação obtidas para a parametrização de reservas
segundo critérios mineiros, tendo como base espessuras mínimas
identificando diferentes níveis de seletividade mineira, poderia ser
estruturado também para critérios cerâmicos, tendo como base os
parâmetros de qualidade. Mesmo uma combinação de critérios poderia
ser investigada neste comparativo, a exemplo da análise realizada a partir
de simulações no suporte de blocos. Isso permitiria verificar
comparativamente o impacto da aplicação de simulações estocásticas
185
também em termos de qualidade cerâmica, em relação a resultados

obtidos a partir de métodos tradicionalmente utilizados;
• Em caso de concretização da abertura de mina no depósito estudado,

uma reconciliação de valores estimados com valores reais efetivamente
minerados, para as três variáveis de interesse, seria extremamente
conveniente a fim de verificar a apropriação da metodologia proposta,
procedendo aos devidos ajustes onde necessários.
Referências Bibliográficas
Agterberg, F.P. 1974. Geomathematics. Developments in Geomathematics 1.

Elsevier Scientific Publishing Company, Amsterdam, 596p.
Alabert, F. 1987a. The practice of fast conditional simulations through the LU

decomposition of the covariance matrix. Mathematical Geology, 19(5), p.369-
386.
Alabert, F. 1987b. Stochastic Imaging of Spatial Distributions Using Hard and Soft
Information. MSc. Thesis, Stanford University.
Andriotti, J.L.S. 1988. Introdução à geoestatística. Estudos Tecnológicos Acta

Geologica Leopoldensia 27. Volume XI, p.5-81.
Armstrong, M. 1998. Basic Linear Geostatistics. Springer, Berlin, 153p.
Barba, A., Feli,. C., García, J., Ginés, F., Sánchez, E., Sanz, V. & Beltrán, V. 1997.
Materias Primas para la Fabricación de Soportes de Baldosas Cerámicas.
Instituto de Tecnologia Cerámica, Castellón, 292p.
Bonato, F.S. 2000: Desenvolvimento de metodologia baseada em simulação

geoestatística para incorporação da incerteza no planejamento de lavra.
Dissertação de Mestrado. Programa de Pós-Graduação em Engenharia de
Minas, Metalúrgica e de Materiais (PPGEM), Universidade Federal do Rio
Grande do Sul, 87p.
Borgman, L.E. & Frahme, R.B. 1975. A case study: multivariate properties of
bentonite in Northeastern Wyoming. Advanced geostatistics in the mining
industry, Nato Advanced Study Industry, Rome, p.381-390.
Bortoluzzi, C.A., Awdziej, J. & Zardo, S.M. 1987. “Geologia da Bacia do Paraná em
Santa Catarina”, em: Textos Básicos de Geologia e Recursos Minerais de Santa
Catarina, DNPM / Coordenadoria de Recursos Minerais da Secretaria da Ciência
e Tecnologia, Minas e Energia, Florianópolis, p.131-192.
Chilès, J.P. & Delfiner, P. 1999. Geostatistics: Modeling Spatial Uncertainty. Wiley-
Intersciense Publication, Wiley Series in Probability and Statistics, New York,
695p.
187
Clark, I. 1979. Practical Geostatistics. Applied Science Publishers Ltd., London,

129p.
Clarke, K.C. 1986. Computation of the fractal dimension of topographic surfaces

using the triangular prism surface area method. Computers & Geosciences,
Vol.12, No.5, Great Britain, p.713-722.
Costa, J.F. 1997. Developments in Recoverable Reserves and Ore Body Modeling.
PhD Thesis, WH Bryan Mining Geology Research Centre, The University of
Queensland, 333p.
Cruz Júnior, A.C. 1998. Análise das Funções de Recuperação para a

Parametrização de Reservas Minerais. Dissertação de Mestrado. IG UNICAMP,
82p.
Cruz Júnior, A.C. & Remacre, A.Z. 2001. Impacto dos efeitos suporte e informação
sobre a recuperação de reservas. Revista da Escola de Minas de Ouro Preto (no
prelo), 11p.
David, M. 1977. Geostatistical Ore Reserve Estimation. Developments in

Geomathematics 2. Elsevier Scientific Publishing Company, Amsterdam, 364p.
David, M. 1988. Handbook of Applied Advanced Geostatistical Ore Reserve

Estimation. Developments in Geomathematics 6. Elsevier Scientific Publishers
B.V., Amsterdam, 216p.
Deutsch, C.V. 1989. DECLUS: A Fortran program for determining optimum spatial
declustering weights. Computers & Geoscience, Vol.15, No.3, p.325-332.
Deutsch, C.V. 1992. Annealing Techniques Applied to Reservoir Modeling and

Integration of Geological and Engineering Data. PhD Thesis, Stanford University,
304p.
Deutsch, C.V. & Journel, A.G. 1998. GSLIB: Geostatistical Software Library and
User’s Guide. Oxford University Press, New York, 345p.
Dimitrakopoulos, R. 1996. Stochastic Methods for Petroleum Reservoir

Characterization and Production Forecasting. Journal of the Japanese
Association for Petroleum Technology, Vol.61, No.6, p.537-548.
Dimitrakopoulos, R. 1998. Conditional Simulation Algorithms for Modelling Orebody

Uncertainty in Open Pit Otimization. International Journal of Surface Mining,
Reclamation and Environment, Vol.12, No.4, p.173-179.
Durão, F., Cortez, L., Brito, G. & Orea, S. 1999. Optimization of ceramic pastes
production by modeling the chemical and physical properties of their clay
components. Proceedings, 28th International Symposium on Computer
Applications in the Mineral Industries (APCOM), Golden, U.S.A, p.511-518.
Easterbrook, D. J. 1969. Principles of Geomorphology. McGraw-Hill, USA, 462p.

188
Ehlschlaeger, C.R., Shortridge, A.M. & Goodchild, M.F., 1997. Visualizing spatial
data uncertainty using animation. Computers & Geoscience, Vol.23, No.4, p.387-
395.
Ethridge, F.G. 1985. Recognition of Fluvial Depositional Systems and Their Resource
Potential (Cap.5). Society of Economic Paleontologists and Mineralogists,
Oklahome, 290p.
Gilbert, L. E. 1989. Are topographic data sets fractal? Pageoph, USA, Vol.131,
No.1/2, p.241-254.
Goovaerts, P. 1997. Geostatistics for Natural Resources Evaluation. Oxford

University Press, New York, 464p.
Herzfeld, U.C., Eriksson, M.G. & Holmlund, P. 1993. On the influence of kriging
parameters on the cartographic output - a study in mapping subglacial
topography. Mathematical Geology, Vol.25, No.7, p.881-899.
Isaaks, E.H. 1990. The Application of Monte Carlo Methods to the Analysis of
Spatially Correlated Data. PhD Thesis, Stanford University, USA, 213p.
Isaaks, E.H. & Srivastava M.R. 1989. An Introduction to Applied Geostatistics.

Oxford University Press, New York, 561p.
Johnson, M.E. 1987. Multivariate Statistical Simulation, Wiley and Sons Publ., New
York, 230p.
Journel, A.G. 1974. Geostatistics for conditional simulation of ore bodies. Economic
Geology, Vol.69, No.5, p.673-687.
Journel, A.G. & Alabert, F. 1989. Non-Gaussian data expansion in the Earth
Sciences. Terra Nova, 1(2), p.123-134.
Journel, A.G. & Huijbregts, C.J. 1978. Mining Geostatistics, Academic Press,
London, 600p.
Koch, G.S. & Link, R.F. 1970. Statistical Analysis of Geological Data - Volume I, John
Wiley & Sons, USA, 375p.
Krige, D.G. 1951. A Statistical Approach to some Mine Valuations and Allied
Problems at the Witwaterrand. Master’s thesis, University of Witwatersrand,
South Africa.
Krige, D.G. 1981. Lognormal-de Wijsian Geostatistics for Ore Evaluation South
African Institute of Mining and Metallurgic. Johannesburg, 51p.
Krige, D.G. & Rendu, J.M. 1975. The fitting of contour surfaces to hanging and
footwall data for an irregular ore body. Proceedings of the 13th International
APCOM Symposium, Clausthal, West Germany, p.C.V.1-12.
Kukal, Z. 1971. Geology of Recent Sediments, Prague, Academic Press, 490p.

189
Leeder, M.R. 1992. Sedimentology: Process and Products. Chapman & Hall, London,
344 p.
Lefond, S.J. (editor), 1983. Industrial Minerals and Rocks. Volume 1. American
Institute of Mining, Metallurgical and Petroleum Engineers, Baltimore, 722p.
Luís J., Soares, A., Gonzaga, J., Silva. F. & Ferreira A. 1994. Geostatistical
characterization of the shape of an orebody by using mining and geological data.
Proceedings, 24th International Symposium on Computer Applications in the
Mineral Industries (APCOM), CIM publisher, Canada, p.402-409.
Luster, G.R. 1985. Raw Materials for Portland Cement – Applications of Conditional
Simulation of Coregionalization. Doctoral dissertation, Stanford University, 531p.
Marechal, A. 1976. The practice of transfer functions: numerical methods and their
application. Proceedings, NATO ASI: Advanced Geostatistics in the Mining
Industry, Rome (Oct. 1975), p.221-36.
Matheron, G. 1963. Principles of geostatistics. Economic Geology, No.58, p.1246-

1266.
Matheron, G. 1973. Le krigeage disjonctif. Note du Centre de Géostatistique de

Fontainebleau, Ecole des Mines de Paris, N.360.
Matheron, G. 1984. The Selectivity of the Distributions and “The Second Principle of
Geostatistics”. In: Geostatistics for Natural Resources Characterization. Lake
Tahoe USA. D. Reidel Publishing Company, p.421-433.
Myers, J.C. 1996. Geostatistical Error Management: Quantifying Uncertainty For

Enviromental Sampling And Mapping. Van Nostrand Reinhold, New York, 545p.
Olea, R.A. 1974. Optimal contour mapping using universal kriging. Journal of
Geophysical Research, USA, Vol.79, No.5, p.695-702.
Olea, R.A. 1991. Geostatistical Glossary and Multilingual Dictionary. Oxford

University Press, New York, 177p.
Olea, R.A. 1999. Geostatistics for Engineers and Earth Scientists. Kluwer Academic
Publishers, Norwell, Massachusetts, 303p.
Oliveira, S.A., Koppe, J.C. & Costa, J.F.C.L. 1995. Overburden volume estimation
assisted by geostatistics in open cast coal mine. Proceedings, 25th International
Symposium on Computer Applications in the Mineral Industries (APCOM),
Brisbane, p.181-187.
Pawlowsky, V., Olea, R.A. & Davis, J.C. 1993. Boundary Assesment Under
Uncertainty: A Case Study. Mathematical Geology, Vol.25, No.2, p.125-143.
Pereira,R.S. 1979. A Estatística e suas Aplicações. Grafosul, Porto Alegre, 658p.

190
Peroni, R. 1998. Introdução de Variável Espectro-Colorimétrico no Modelamento e

Planejamento de Jazidas de Caulim e Comparação da Seletividade Produzida
por Modelos de Diferentes Dimensões. Dissertação de Mestrado. Programa de
Pós-Graduação em Engenharia de Minas, Metalúrgica e de Materiais (PPGEM),
Universidade Federal do Rio Grande do Sul, 125p.
Peroni, R., Costa, J.F., Koppe, J. & Petter, C. 2000. New mine planning strategies
applied to kaolin deposits. CD-ROM, Geostats 2000, 6th International
Geostatistical Congress, Cape Town, South Africa, 9p.
Pilger, G.G. 2000. Critérios para Locação Amostral Baseados em Simulação

Estocástica. Dissertação de Mestrado. Programa de Pós-Graduação em
Engenharia de Minas, Metalúrgica e de Materiais (PPGEM), Universidade
Federal do Rio Grande do Sul, 127p.
Reading, H.G. 1986. Sedimentary Environments and Facies. Blackwell Scientific

Publications, Oxford, 615p.
Remacre, A.Z. 1984. L’Estimation du Recúpérable Local – Le Conditionnement

Uniforme. These Doctour Ingénieur en Sciences et Techniques Minières – Option
Géostatistique, École des Mines de Paris, 99p.
Rendu, J.M. 1984. Geoestatistical modelling and geological controls. Proceedings of

the 18th APCOM International Symposium, Institution of Mining and Metallurgy,
London, p.467-476.
Rivoirard, J. 1994. An Introduction to Disjunctive Kriging and Nonlinear Geostatistics.

Clarendon Press, Oxford. 181p.
Rossi, M.E. & Alvarado C., S.B. 1998. Conditional simulations applied to recoverable
reserves. Proceedings, 27th International Symposium on Computer Applications
in the Mineral Industries (APCOM), London, United Kingdom, p.19-23.
Rossi, M.E. 1999. Uncertainty and risk models for decision-making processes.
Mineral Industries (APCOM), Golden, U.S.A, 185-195.
Roth, C. & Deraisme, J. 2000. The information effect and estimating recoverable
reserves. CD-ROM, Geostats 2000, 6th International Geostatistical Congress,
Cape Town, South Africa, 13p.
Schmitt, M. & Bisquay, H. 2000. Structural description of digital elevation models,

CD-ROM, Geostats 2000, 6th International Geostatistical Congress, Cape Town,
South Africa, 9p.
Silva, A.H.M. 2001. Modelagem Geológica e Estocástica da Porção NE da Mina de

Morro de Ouro, Paracatu (MG). Dissertação de Mestrado. Universidade Estadual
de Campinas, Instituto de Geociências. 99p.
Silva, E.L., Ceita, A., Raspa, G. Simões, J. & Bruno, R. 2000. Estimation of the “in
situ” grain-size distribution curve of Quihita Kaolin Deposit (South of Angola). CD-
191
ROM, Geostats 2000, 6th International Geostatistical Congress, Cape Town,

South Africa, 8p.
Spiegel, M.R. 1978. Probabilidade e Estatística. Tradução de Alfredo Alves de

Farias, Coleção Schaun, McGraw-Hill do Brasil, 527p.
Srivastava, R.M. 1994. “The visualization of spatial uncertainty”, em: Stochastic

Modeling and Geostatistics Principles, Methods and Case Studies, The American
Association of Petroleum Geologists, Tulsa, p.339-345.
Stangler, R.L. 1999. Geostatistical Evaluation of a Clay Mineral Deposit in Nova

Veneza, Brazil. CFSG Report, Centre de Géostatistique de Fontainebleau,
France, S-378, 85p.
Stangler, R.L., Armstrong, M., Strieder, A.J., Koppe, J.C. & Costa, J.F. 2001.
Geostatistical framework for modeling clay deposits: Nova Veneza case study in
Southern Brazil. Geostatistics Rio 2000, Proceedings, 31st. International
Geological Congress, geostatistics sessions, Kluwer Academic Publishers,
Dordrecht Holland, p.131-146.
Stangler, R.L., J.F. Costa, Koppe & J.C. 2001. Risk in stripping ratio estimation.
Mineral Industries (APCOM2001), Beijing, China, p.81-86.
Thwaites, A.M. 1998. Assessment of geological uncertainty for a mining project.

Mineral Industries (APCOM), London, United Kingdom, p.391-404.
Wackernagel, H. 1998. Multivariate Geostatistics: An Introduction with Applications.

Springer-Verlag, Berlin, 291p.
Zhu, H. 1991. Modeling Mixture of Spatial Distributions with Integrations of Soft Data,
PhD Thesis, Stanford University, 310p.
Apêndice A – Publicações Associadas à Essa Dissertação
Os trabalhos apresentados a seguir foram produzidos durante o período de

Mestrado que resultou na presente dissertação, abrangendo tópicos relacionados e
que fizeram parte de todo o estudo efetivado. Os dois primeiros correspondem a
st
resumos (abstracts) incluídos no CD-ROM referente ao “31 International Geological
Congress”, realizado em Agosto de 2.000, no Rio de Janeiro/RJ.
As referências bibliográficas completas dos dois artigos completos,
apresentados na seqüência, podem ser encontradas no item “Referências
Bibliográficas” dessa dissertação.
Abstract: 31st IGC Brazil – General Symposium 11.2
Geostatistical framework for modeling clay

deposits: Nova Veneza case study in
Southern Brazil
1
Roger Luis Stangler, 2Margaret Armstrong, 1Adelir José Strieder, 1Jair
Carlos Koppe, 1João Felipe Costa
1
Dept. of Mining Engineering, Federal University of Rio Grande do Sul, Brazil;
2
Centre de Géostatistique, École des Mines de Paris, France
The region of Criciúma, Santa Catarina State, Southern Brazil, is one of the world’s
main industrial districts for ceramics production. Clay minerals are one of the key
ingredients. The clay’s characteristics including several physical and chemical
parameters need to be known over the whole deposit in order to allow appropriate
mine planning, scheduling and blending. The clays homogeneity is vital for ceramic
processing.
This paper proposes a geostatistical framework to model two quality
variables: water absorption and linear retraction, both expressed as percentages,
in addition to the clay seam thickness. The methodology described was used in a
clay deposit located in the region above cited. Two sedimentary systems
conditioned by tectonic structuring, corresponding to two anisotropy systems with
different representativety, interact and affect the spatial continuity of the variables
in different ways. Samples were available from 452 auger holes covering an area
of 800m x 800m approximately. As the sample lengths varied, a 2D approach was
carried out using accumulations. Run of mine was classified as high/low quality
based on these quality variables estimations, requiring maximum accuracy in
estimate at each block.
Ordinary kriging provided estimates at 25 x 25m blocks, and stochastic
simulations were performed to assess the variability on the mining blocks’ quality.
The results obtained proved to be more efficient than traditional evaluation
methods currently used.
Abstract: 31st IGC Brazil – General Symposium 8.1
Geological Controls on the Ceramic

Characteristics of a Clay Mineral Deposit in
Nova Veneza, Southern Brazil
Roger Luis Stangler, Adelir José Strieder, João Felipe Costa
Dept. of Mining Engineering, Federal University of Rio Grande do Sul, Brazil;
The geological processes normally influence directly the industrial parameters and
their spatial distribution on the clay minerals deposits. This paper presents a study
on a deposit of this type, located in one of the world’s main ceramics production
areas. Water absorption and linear retraction, both expressed as percentages,
were evaluated, in addition to the thickness of the clay. Depending on the quality
parameters, two kinds of clay can be mined: single and double firing. Samples
were available from auger holes spread over an area of 64 ha approximately.
Geostatistical methodologies were applied.
This clay deposit is associated to a quaternary sedimentation coming from
a close source of Paleozoic clay-bearing rocks, in a transition to a quaternary
coastal plain. Residual contributions were investigated. Two groups of sedimentary
features controlled by tectonic structures interact and influence the variables in
different ways. A NW-SE structure acts over most of this region and controls most
of the local relief and the drainage patterns. It appears in the western border of the
study area, controlling the sedimentary features that correspond to the overall
trend of the quality variables. A second structure is located in the central north part
of the area and trends NNE-SSW. A well defined channel with the thickest clay
horizon can be regarded to this direction.
The results show the strict relationships between the sedimentary and
structural conditions and the spatial disposition of ceramic characteristics of the
clay, and can be used to guide exploration works on surroundings.
GEOSTATISTICAL FRAMEWORK FOR MODELLING CLAY DEPOSITS:
NOVA VENEZA CASE STUDY IN SOUTHERN BRAZIL
ROGER LUIS STANGLER1, ADELIR JOSÉ STRIEDER1, JAIR CARLOS KOPPE1,

JOÃO FELIPE COSTA1 AND MARGARET ARMSTRONG2
1) Dept. of Mining Engineering, Federal University of Rio Grande do Sul, Brazil
Av. Osvaldo Aranha 99/504 - Porto Alegre/RS - 90035-190 – Brazil
2) Centre de Géostatistique, 35, rue Saint-Honoré - 77305 Fontainebleau, France
Abstract
The region of Criciúma, Southern Brazil, is known as one of the main ceramic industrial
districts in the world. Clay minerals are one of the key ingredients in the ceramic industry.
Clay characteristics including several physical and chemical parameters need to be known
throughout the entire deposit to help in defining the mining plan, scheduling and blending
strategies.
This paper proposes a geostatistical framework to model two essential clay properties
required to be controlled in the ceramic industrial process, respectively water absorption
and linear retraction. The methodology proposed is illustrated in a deposit consisting of
two sedimentary systems conditioned by tectonic structures. These structures define two
anisotropy systems interacting and affecting the spatial continuity of the parameters
studied. Geological, topographical and geomorphological mapping were followed by
geostatistical evaluation. Two distinct geological domains were defined, resulting in two
sub-datasets. Samples available from auger holes were logged and analysed at different
lengths (support), requiring the use of accumulations to overcome the problem caused by
multiple sample supports.
Ordinary kriging was selected to estimate 25 x 25m blocks and stochastic simulation was
used to assess the variability of the thickness values assigned to each block. Risk on
recoverable reserves was quantified. The results obtained encourage the application of the
proposed methodology as they proved to be more efficient than traditional evaluation
methods.
Key words
Clay minerals, clay classification, recoverable reserves, conditional simulations, block

kriging
2 Stangler, Strieder, Koppe, Costa & Armstrong
1. Introduction
Industrial minerals including those used in the ceramic industry for wall and floor tiles are
experiencing a period of world-wide production expansion. These are a combination of
clay-argillite, sand-sandstones, kaolin, talc, rhyolit, phyllit, feldspar, and others.
The characterisation of deposits containing these industrial minerals always goes beyond
merely quantitative evaluating the minerals potentially interesting for ceramic
manufacturing. In order to help the decision making process, risk should be addressed. In
particular, decisions such as choosing which deposit should be mined first out of several
alternatives, or of assessing the risk of an economic failure of a certain mining plan require
an appraisal of the uncertainty associated with the estimates. To answer these problems we
require a measurement of variability in the recoverable reserves. A proper measure of these
uncertainties is obtained under the conditional simulation framework as discussed by Costa
(1997), Dimitrakopoulos (1998), Rossi & Alvarado (1998), Thwaites (1998) and Rossi
(1999).
Various parameters are required to be known in the ceramic manufacturing process and the
minerals used in the so-called ceramic formulation must satisfy specific quality
requirements. Consequently, the deposit should be classified according to distinct ore
categories, respecting the quality required by the industrial plant. Few papers report
applications of geostatistics in the field of ceramics or related to clay minerals (Borgman
and Frahme, 1975; Durão et al., 1999; Silva et al., 2000). Stangler (1999) reports a case
study to enhance ore classification using kriging in clay deposits.
Due to the complexity of the ceramic processes and its dependence on the quality of
multiple minerals used, proper geological modelling is vital to minimise fluctuations in the
plant head grade. Fluctuations cause operational disturbances, which ultimately leads to
financial lost. This paper proposes a geostatistical framework using kriging and stochastic
simulations to model clay deposits. The study illustrates how ordinary kriging (Matheron,
1963) can be used to give accurate estimates for physical parameters such as linear
retraction and water absorption. It also addresses the question of how uncertainty on the
recoverable reserves estimation can be determined.
2. Geological Setting
The area studied in the case is located in southern Brazil (see Figure 1). The region is a
transition between major geological units (Figure 2). Basically, the area comprises the
contact of Paraná Basin and a wide quaternary coastal plain. This quaternary coastal plain
is represented locally by small alluvial fans mostly composed of clays. The late Paleozoic
sedimentary rocks represent the main source of sedimentation and are also constituted by
clay minerals. These gondwanic rocks belong to the upper part of the stratigraphic column
of the Paraná Basin. The age of sedimentary formations is Late Paleozoic, covered by
Mesozoic desertic sandstones and some hundred meters thick of volcanic rocks (mostly
basaltic flow) topping the sequence (Bortoluzzi et al., 1987). Due to the basin board
environment, many gaps in the sedimentation sequence are apparent. Lateral discontinuities
are often found in the formations and in the quaternary covering sediments.
Geostatistical framework for modelling clay deposits 3
↑N
BRAZIL Atlantic
Ocean
Santa Catarina
State
Clay Deposit
Fig 1 – Geographical situation of the Nova Veneza clay deposit.
Deposit in clay
alluvial fans
e an
Oc
t ic
l an
At
0 10 20 km
Legend Mesozoic Volcanic Rocks
Late Paleozoic Sedimentary Rocks
Quaternary Coastal Plain
Fig. 2 - Geological setting.

A strong tectonic NW-SE structure and a subordinated tectonic N-S structure are present.
These structures conditioned the relief and consequently the patterns of the drainage.
Ancient gravity NW-SE systems were intercepted by NE-SW structures, which are
responsible for the present coastal alignment in this part of Southern Brazil. The deposit
which is the object of this study is part of this truncated geological environment (Figure 2).
The clay mineral occurs in the quaternary plain resulting from the transportation of
sedimentary Paleozoic clay rocks. In addition to the dominant NW-SE structural system
which conditioned the shape of the drainage channels in the west of the area, a
subordinated drainage channel oriented NNE-SSW intercepts the north part of the deposit
(Figure 3).
t
t
p 800 m p
Fig. 3 – Aerial photograph on left and topographic map on right both at the same scale. Two subdomains are
depicted: t for talus and p for plain. Contour lines every 5 m.
The clay occurring in the area is predominantly quartz-kaolinitic. The bedrock is basically
a black shale. The quality of clay for ceramic application depends on various parameters
including its grain size distribution, i.e. proportion between clay and sand. The latter is
normally constituted predominantly of quartz, which is more refractory in the ceramic
process. In general, after firing at high temperatures, the more clay constituted is the
material the higher is its linear retraction, while water absorption decreases as the clay
minerals constitution increases (Barba et al., 1977, p.261). Understanding the
sedimentation and the tectonic structures is important in the subsequent geostatistical
evaluation.
Two sub-domains were defined locally. The first one consists of an alluvial fan forming a
clay plain related to the main NW-SE drainage partially covered by a talus deposit in the
North portion of the area. The second subdomain comprises sediments formed along the
North portion, transported by gravity from the cliffs along the North border. Details of the
local geological settings are depicted on Figure 3. The flat valley is surrounded by
mountains composed of clay Paleozoic rocks on the West and East edges. The northern
portion is partially covered by a talus deposit. These two geological domains were used to
define two corresponding geostatistical subdomains, and as such the two will be treated
separately hereafter.
3. The Data Set in the Plain Domain Subset
The original data set comprises 452 auger drill holes 25 mm in diameter. Samples were
collected on a quasi regular 25 X 25 m grid covering an area of 775 x 775 m. In this paper
the authors present the proposed procedure only in the southern domain, i.e. the plain.
Figure 4 shows the thickness of the clay bed at 231 sample locations within this
subdomain.
(m)
↑N
(m)
Fig. 4 – Collar location for the auger holes and their clay bed thickness.
Prior to any structural analysis or estimations/simulations, it is essential to properly define

the limits of the field to be considered. The area was divided into two homogeneous
subdomains. As the auger holes were drilled and sampled at different lengths (down to the
bedrock), it was decided to model the deposit in 2D using grade accumulations.
The variables evaluated are water absorption and linear retraction, both obtained from
laboratory assays and expressed as a percentage. Laboratory analyses are obtained after
submitting the samples to the actual conditions of the ceramic process, i.e. 50 minutes at
1115° C. Water absorption represents the amount of water that a ceramic piece can absorb
after firing conditions. Linear retraction represents the shrinkage suffered by the material
after firing. In mixtures containing large amounts of silica the linear retraction can be
negative, indicating a volumetric expansion of the material. The specifications used in
classifying the clays are presented in Table 1.
Table 1 – Specifications for the 2 kinds of ore in the Nova Veneza area.
Water Absorption (%) Linear Retraction (%)

SINGLE FIRING CLAY 10 – 15 % 0 – 1.5 %
DOUBLE FIRING CLAY 10 – 20 % 0 – 2.5 %
Single firing clays are more valuable as they require only one firing process to reach the
ideal ceramic conditions, and produce a better quality product. In this kind of mining
operation blending is very common in order to reach proper industrial requirements, and so
an accurate classification of mining blocks is required.
The thickness values (Figure 4) present a concentration of high values in the central North
region, roughly oriented NNW-SSE. They reflect the transition from the northest talus
subdomain where there is a channel running approximately N-S (Stangler, 1999). Moving
from this region, low values of thickness are often found. These increase the nugget effect
in the variograms.
Figure 5 shows the frequency histogram for thickness before and after declustering (see
Isaaks and Srivastava, 1989, chapter 10, and Goovaerts, 1997, p.77-82 for a discussion in
declustering methods). The mean, median and quartiles decreased after cell declustering is
applied. The overall shape of the histogram and the coefficient of variation remained
practically unchanged.
(a) (b)
(m) (m)
Fig. 5 – Original sample distribution for thickness (a) and its declustering histogram (b).
Histograms for water absorption and linear retraction are depicted on Figure 6. Since the
samples were collected over different lengths as was mentioned before, it was necessary to
calculate their accumulations in order to make them additive. The use of these working
variables is common in the geostatistical literature (Krige, 1981; Journel and Huijbregts,
1978, p.244-247 and David, 1977, p. 89-90).
Figure 6 shows the histograms of water absorption and linear retraction, and of their
accumulations. The shape of the histograms of the accumulation is different to that of the
original values for water absorption, (compare with Figure 5) but the linear retraction
accumulation exhibits practically the same patterns as the raw variable.
(a) (b)
(%) (%)
(c) (d)
(%.m) (%.m)
Fig. 6 – Basic statistics for the quality variables water absorption (a) and linear retraction (b), and their
respective accumulations (c) (d).
4. Variography
The structural analysis was carried out by calculating the experimental semivariograms and
fitting variogram models which were used subsequently in kriging and conditional
simulations. In order to compare different variables measured using different units and
magnitudes all the variograms were standardised. The fitted are depicted on Figure 7.
For thickness the major axis of anisotropy is N10W. It defines a geometric anisotropy
which is the result of the combined effects of the plain sedimentation, the drainage in the
western portion, which is NW-SE oriented and the talus reworking with minor drainages
oriented approximately N-S (see Figure 3). The maximum continuity is at N25W for linear
retraction accumulation.
5. Kriging the Quality Parameters
Mining blocks have to be classified according to the different ceramic clays and waste as
presented in Table 1. We aim at obtaining accurate estimations by applying ordinary block
kriging (Isaaks and Srivastava, 1989, p.323-337; Goovaerts, p.152-158; Armstrong, p.86-
91). The regionalised variables being modelled are accumulations (expressed in %.m),
requiring the kriged block values be divided by the thickness of each block to express the
final results at their original units (%). The kriged maps are shown in Figure 8.
γ γ
(m) (m)
Thickness: N10W Thickness: N80E
γ γ
(%.m)
(%.m)
Water Absorption Accumulation: N10W Water Absorption Accumulation: N80E
γ γ
(%.m) (%.m)
Linear Retraction Accumulation: N25W Linear Retraction Accumulation: N65E
Fig. 7 – Variogram models for the three variables at the major (left) and minor directions of anisotropy.
The search strategies and the variograms used for kriging were cross-validated (Isaaks and
Srivastava, 1989 chapter 15). Kriged models were used for classifying the zones of the
deposit into different classes according to the single and double firing clay definition
(Table 1). Figure 9 shows the block models and their block classification. The 348
estimated double firing clay blocks are distributed within the deposit in a relatively large
band oriented NW-SE. Some gaps are observed in this band in the SE region
corresponding mostly to single firing blocks. The 24 estimated single firing clay blocks are
all located in the SE portion in a narrow and discontinuous band oriented NW-SE. These
maps can be used to guide the mine planning and scheduling.
(m)
↑N
(m)
↑N
(m)
↑N
Fig. 8 – Kriged block maps for the quality variables and thickness. Blocks of 25x25m.
6. Sequential Gaussian Simulations of Thickness
As we need to assess thickness variability within the deposit of the pre-classified clay
blocks, it was decided to use two techniques, respectively kriging for block classification
(as presented in the previous section) and simulation for risk assessment. Conditional
simulations were generated by sequential gaussian (SGS) algorithm (Isaaks, 1990).
Following the steps required in SGS, the variogram of the normal transformed data
obtained from the thickness was computed and modelled. Its shape turned out to be similar
to the original one.
A high resolution grid file covering the entire area at 1.0 x 1.0 m cell spacing and
containing a total of 560 000 nodes was generated. Fifty simulations were obtained,
starting with a few realisations and progressively adding more realisations until the
variance among the simulations stabilised. Validations of the simulations in the Gaussian
space were performed, checking carefully if the basic statistics of realisations respect
globally the convergence to an actual gaussian distribution. In the original data space, the
histograms, variograms and maps for individual realisations were plotted and compared to
the original reference distribution, variogram model and sample location map (see Figures
10, 11 and 12). Short scale ergodic fluctuations can be observed. With a good proximity
between reference and obtained features, all these realisations could be accepted and thus
taken equiprobably as possible scenarios of the data, in statistical, geostatistical, and
geological terms. To obtain simulated values for 25 x 25m mining blocks, 625 point values
were averaged per block. Multiple simulations provide a powerful tool for evaluating the
recoverable reserves and for determining the risk at the blocks defined as ore in the
previous section.
ESTIMATED SINGLE FIRING CLAY BLOCKS
(%) (%)
↑N
↑N
ESTIMATED SINGLE FIRING CLAY BLOCKS
(%) (%)
↑N ↑N
Fig. 9 – Block models generated by ordinary kriging and classified into the two types of clay.
↑N ↑N (m)
↑N ↑N
Fig. 10 – Four out fifty realisations of thickness at 1x1 m grid, showing the spatial patterns and local
fluctuations.
Fig. 11 – Experimental variograms for three groups of ten thickness realisations each (dots) plotted against the
input model (continuous line), at the major (left) and minor directions of anisotropy (N10W and N80E).
Fig. 12 – Thickness frequency histograms for four out of fifty realisations, showing a close proximity to the
reference declustered distribution of Figure 5 b.
Goovaerts (1997, p333-340) and Srivastava (1994) describe several methods for assessing
and visualising local uncertainty in mineral deposits using the results of conditional
simulations. We chose two measures for local uncertainty based on 50 realisations: (i)
coefficient of variation (CV) and (ii) probability maps, displaying block-by-block the
probability of exceeding a given threshold value.
Figure 13 shows the CV’s for mineralised blocks. In the case of double firing clay blocks,
most of the highest values are located in the borders, beyond the limit defined by the
samples. In the remaining of the area low fluctuations are observed, with some isolated
blocks showing more variability. For the few single firing clay blocks a similar situation is
observed, and the less erratic blocks are observed in the central and N parts of this zone.
DOUBLE FIRING CLAY BLOCKS SINGLE FIRING CLAY BLOCKS

CV
↑N ↑N
Fig. 13 – Maps of the coefficients of variation for thickness in mineralised blocks.
Maps of the probability of a block thickness exceeding a given threshold, such as those as
shown in Figure 14, are useful to guide mine planning and scheduling in small deposits.
These maps are also relevant to select appropriate equipment given a required selectivity
during mining. Seams with low thickness require more care to be mined to avoid high
dilution. If we define a minimum thickness of 0.5 m, nearly all mineralised blocks have
very high probability to be mined without operational problems. Conversely, if we consider
a less selective mining method using larger equipment, the minimum mineable thickness
would be 1.00 m. In this situation, blocks with high confidence (say 90 %) to be equal or
above the minimum thickness comprise less than half mineralised zone.
7. Recoverable Reserves
In the previous sections we classified mineralised blocks according their estimated quality
parameters, following the study of seam thickness for each mineralised blocks. It is also
relevant to assess risk in the recoverable reserves. To address this issue, tonnages were
calculated by multiplying the constant area of each block (625 m2) by its simulated average
thickness, assuming a constant value for the specific gravity (2 t/m3). We selected the
worst, the median and the best scenarios according the average global thickness for each
simulation, in each type of pre-classified clay blocks.
↑N ↑N
Prob.
↑N ↑N
↑N ↑N
Fig. 14 – Probability maps for blocks to exceed a given thickness.
The variability of the recoverable reserves can be visualised for both types of ceramic clay
on Figure 15. The uncertainty is greater for the single firing clay, which is partly explained
by the small number of blocks included in this class. Table 2 quantifies the instability (or
risk) in predicting recoverable reserves for both types of clay in this deposit, especially for
high thickness thresholds. The uncertainty tends to be higher for thresholds above the
median.
It is also relevant in this kind of application to evaluate the area involved in mining. When
several deposits are being compared in order to select one for mining, the area involved
impacts economically on the overall project as costs are involved in land acquisition.
Fluctuations in the t/m2 parameter are relevant to the decision process described earlier.
Figure 15 shows critical aspects, highlighting the uncertainty in single firing clay.
DOUBLE FIRING CLAY SINGLE FIRING CLAY

450000 30000
400000 25000
350000 20000
300000
15000
250000
200000 10000
150000 5000
0.4 0.5 0.6 0.7 0.8 0.9 1 0.4 0.5 0.6 0.7 0.8 0.9 1
Thickness Thresholds (m) Thickness Thresholds (m)
2.5000 2.5000
2.3000 2.3000
2.1000 2.1000
1.9000 1.9000
1.7000 1.7000
1.5000 1.5000
0.4 0.5 0.6 0.7 0.8 0.9 1 0.4 0.5 0.6 0.7 0.8 0.9 1
Thickness Thresholds (m) Thickness Thresholds (m)
Fig. 15 – Recoverable reserves for the worst, the best and the median scenarios (respectively the lower, the
upper and the intermediate curves on the graphics).
Table 2 – Relative variations around the median thickness values.
RECOVERABLE RESERVES UNCERTAINTY LEVEL IN TONNAGES

Double Firing Blocks Single Firing Blocks
Maximum Maximum Maximum Maximum
fluctuation fluctuation fluctuation fluctuation
Thickness' above the below the above the below the
threshold median median median median
(m) (%) (%) (%) (%)
0.4 2.466 -2.053 7.916 -6.663
0.5 2.024 -2.771 8.360 -6.715
0.6 3.960 -2.417 2.910 -12.175
0.7 3.241 -3.649 6.379 -16.925
0.8 4.842 -5.530 22.802 -14.512
0.9 10.897 -4.437 47.325 -4.448
1.0 5.658 -15.796 -30.016* -30.016
*local inversion in which the best global reserves scenario presents a situation worse than the median one, for this
specific threshold.
8. Conclusions
• It should be stressed that geological understanding is essential to validate geostatistical

recoverable reserves estimation. The present case study started by defining two
homogeneous geological sub-domains. Subsequently, results were geologically
validated accompanied by statistical and geostatistical checks.
• The geostatistical framework applied demonstrated its usefulness in evaluating

reserves for this kind of industrial mineral deposit. The established methods of
ordinary block kriging and sequential gaussian simulation were combined for mapping
and classifying types of ceramic raw materials.
• The methods also provided the tools for mine planning and the assessment on the
variability of recoverable reserves. The identification of extreme and median scenarios
for recoverable reserves proved to be valid to alert for possible fluctuations either
globally or locally.
• One possible improvement in this work would be to use simulations of the quality
variables, integrating all uncertainties involved into a more complete assessment of
risks local and globally. As this deposit is supposed to be mined soon, reconciliation is
imperative.
9. Acknowledgements
This project received the financial support of CNPq, National Science and Research
Council in Brazil. The authors are grateful to Eliane Revestimentos Cerâmicos, especially
to the geologists, Márcio Geremias and Jorge Christ, who provided the data set and
permitted the publishing of this paper.
10. References
Armstrong, M. 1998. “Basic linear geostatistics”, Berlin, Springer. 153 p

Barba, A., Feli,. C., García, J., Ginés, F., Sánchez, E., Sanz, V.and Beltrán, V. 1997 “Materias primas para la
fabricación de soportes de baldosas cerámicas”, Instituto de Tecnologia Cerámica, Castellón, 292p.
Borgman, L. E. and Frahme, R.B. 1975. “A Case Study: Multivariate Properties of Bentonite in Northeastern
Wyoming”, in: “Advanced geostatistics in the mining industry”, Nato Advanced Study Industry, Rome, p.381-
390
Bortoluzzi, C.A., Awdziej, J. and Zardo, S.M., 1987. “Geologia da Bacia do Paraná em Santa Catarina”, in:
“Textos Básicos de Geologia e Recursos Minerais de Santa Catarina”, DNPM / Coordenadoria de Recursos
Minerais da Secretaria da Ciência e Tecnologia, Minas e Energia, Florianópolis, 216p.
Costa, J.F., 1997. “Developments in Recoverable Reserves and Ore Body Modeling”, PhD Thesis, WH Bryan
Mining Geology Research Centre, The University of Queensland, 333p.
David, M. 1997. “Geostatistical Ore Reserve Estimation”, Elsevier, Amsterdam.
Dimitrakopoulos, R. 1998. “Conditional Simulation Algorithms for Modeling Orebody Uncertainty in Open Pit
Optimisation”, International Journal of Surface, Reclamation and Environment, vol.12, p.173-179.
Durão, F., Cortez, L., Brito, G.and Orea, S. 1999. ”Optimization of Ceramic Pastes Production by Modeling the
Chemical and Physical Properties of their Clay Components”, Proceedings, 28th International Symposium on
Computer Applications in the Mineral Industries (APCOM), Golden, U.S.A, 511-518, October.
Goovaerts, P., 1997. “Geostatistics for Natural Resources Evaluation”, Oxford University Press, 438p.
Isaaks, E.H., 1990. “The Application of Monte Carlo Methods to the Analysis of Spatially Correlated Data”, PhD
Thesis, Stanford University, USA, 213p.
Journel A. G. and Huijbregts C. 1978. “Mining geostatistics”, London, Academia Press, 600 p.
Isaaks E.H.and Srivastava R.M 1989. “An introduction to applied geostatistics”, N.Y : OUP. 561 p.
Krige, D.G. 1981. “Lognormal-de Wijsian Geostatistics for Ore Evaluation South African Institute of Mining and
Metallurgic”, Johannesburg, 51p.
Matheron, G. 1963. "Principles of Geostatistics", Economic Geology, No. 58, p.1246-1266.
Rossi, M.E. and Alvarado C., S.B. 1998 “Conditional simulations applied to recoverable reserves”, Proceedings,
27th International Symposium on Computer Applications in the Mineral Industries (APCOM), London, United
Kingdom, 19-23, April.
Rossi, M.E. 1999. “Uncertainty and Risk Models for Decision-Making Processes” - Proceedings, 28th International
Symposium on Computer Applications in the Mineral Industries (APCOM), Golden, U.S.A, 185-195,
October.
Silva, E.L., Ceita, A., Raspa, G. Simões, J. and Bruno, R. 2000. “Estimation of the ‘In Situ’ Grain-Size
Distribution Curve of Quihita Kaolin Deposit (South of Angola)”, WJ Kleingeld and DG Krige (eds.),
Geostats 2000, Cape Town.
Srivastava, R. M. 1994. “The Visualization of Spatial Uncertainty”, in “Stochastic Modeling and Geostatistics
Principles, Methods and Case Studies”, The American Association of Petroleum Geologists, Julsa, p339-345.
Stangler, R.L. 1999. “Geostatistical Evaluation of a Clay Mineral Deposit in Nova Veneza, Brazil”, CFSG Report,
Centre de Geostatistique de Fontainebleau, France, S-378.
Thwaites, A.M. 1998. “Assessment of geological uncertainty for a mining project”, Proceedings, 27th International
Symposium on Computer Applications in the Mineral Industries (APCOM), London, United Kingdom, 391-
404, April.
Risk in stripping ratio estimation
R. L. Stangler, J. F. Costa & J.C. Koppe
Mining Engineering Dept., Federal University of Rio Grande do Sul, Porto Alegre, Brazil – roger@ufrgs.br
ABSTRACT: Stripping ratio plays a major role in the profitability of open cast mines. Precise digital
elevation models and other interpolation surfaces used for overburden volume definition are required. This
paper uses ordinary kriging to build a 3D overburden model and conditional simulations to model multiple
scenarios for the deposit tonnage. The former permits to obtain the best interpolated models. The second
provides the tools to assess the uncertainty in mineral resources. Combining overburden volume model and
multiple models for the deposit tonnage makes possible to evaluate the range of equally probable expected
stripping ratios. The methodology is demonstrated in a clay deposit in Southern Brazil.
1 INTRODUCTION with volume estimation and its consequences to a

mining project requires a new framework to be
Industrial minerals used for wall and floor tiles in evaluated.
the ceramic industry are very important to the Overburden volume is obtained by calculating
economy of south Santa Catarina State, Southern the volume between two surfaces: the original
Brazil. Clay is a key ingredient in the ceramic terrain surface and the top of the clay seam.
manufacturing process. Therefore, this paper proposes a geostatistical
Clay minerals used in the ceramic industry are framework using kriging and stochastic simulation.
frequently low valued. The combination of The former is used for overburden volume
production costs and market value restrict modeling; the second is applied to assess seam
maximum mine-plant transport distance, maximum thickness and clay tonnage variability. The
payable royalties, and maximum stripping ratio. proposal is illustrated in a case study.
Additionally to these economical factors,
engineering and geological parameters need to be
added to the model in order to proceed with mine 2 GEOLOGICAL SETTING
planning.
During the selection of potential deposits to be The deposit is located in Southern Brazil, inserted
exploited, overburden removal cost plays an in a quaternary coastal plain represented locally by
essential role. Uncertainty associated with small alluvial fans, mostly composed of clays.
stripping ratio estimates depends on both Topographical, geological, geomorphological
estimation risks related to the total clay reserves survey and the ceramic process parameters,
and to the volume of overburden. Deposits with obtained in laboratory tests from auger holes
high variability can be risky to be mined samples and used for spatial continuity analysis,
economically. helped in delineating two subdomains (Fig. 1).
Resource or reserves estimation and the related This work will focus on the stripping ratio analysis
uncertainty can be addressed via conditional of the southern subdomain named plain.
simulations (Costa, 1997, Dimitrakopoulos, 1998, Aspects on local geology can be found in
Rossi & Alvarado, 1998, Thwaites, 1998, Rossi, Stangler et al. (2000). A typical cross section from
1999, Stangler et al., 2000). Geostatistics the deposit is presented in Figure 2.
applications to the field of topography are found in
various publications (Krige and Rendu, 1974,
Olea, 1974, Clarke, 1986, Gilbert, 1989, Herzfeld
et al., 1993, Luís et al., 1994, Oliveira et al., 1995,
Schmitt, 2000. The risk or uncertainty associated
↑
Figure 1. Auger-holes collars (circles and crosses) at a 25x25m Figure 3. Variograms modeled for the elevation data: major
grid. The continuous line separates two geological domains continuity direction (E-W) at the top, and minor continuity
defined by a transitional geological contact. direction (N-S) at the bottom. Note the scale difference at the
vertical axe (semivariogram function); distance in meters.
3 TOPOGRAPHICAL MAPPING
4 DATA SET WITHIN THE PLAIN
Field survey data were used to build a topographical
map via point ordinary kriging, at a regular grid The original data set comprises 452 auger drill
(10x10m). Figures 3 and 4 present respectively the holes (25 mm diameter). Samples were collected at a
variograms and the contour map defined for the quasi-regular 25x25 m grid covering an area of
elevation. Note that the map covers the area drilled 775x775 m (Fig. 1). The plain subdomain evaluated
with auger holes and was used to define the two here comprises 231 holes, with one sample/hole.
domains mentioned in the previous section.
Figure 2. Schematic cross section from the deposit in the plain

subdomain: (a) overburden, 0.0 to 1.3 m thickness, Figure 4. Topographical elevation for the study area (lines
mean=0.33m; (b) clay seam (ore), 0.4 to 2.4 m, mean=0.94 m; every 0.5 m).
(c) bedrock (shale).
These holes were logged and used to define clay
seam and overburden thickness. Figure 5 shows the
histogram for clay thickness after applying a
declustering procedure (Isaaks and Srivastava, 1989,
chap. 10, Goovaerts, 1997, p.77-82).
5 VARIOGRAPHY
The structural analysis was carried out by calculating

the experimental variograms and fitting variogram
models. These models were subsequently used for
ordinary kriging and simulation. The fitted models
are shown on Figures 6 and 7.
The clay seam thickness exhibits a major axis of
anisotropy along N10W (geometric anisotropy). Figure 6 – Variogram models for top of clay seam elevation
Similarly to the terrain elevation variograms, the top (continuous lines): major continuity direction (N80E) at the
of the seam elevation variogram shows both zonal top, and minor continuity direction (N10W) at the bottom.
and geometric anisotropy. Along E-W (for the Distance in meters. Dots represent the experimental
topography elevation) or close to E-W (for the top of variograms.
the clay seam elevation), the two variables show a
large continuity and a lower variance (sill). Along N-
S a strong drift is observed (note the difference at the
vertical axes in Figs. 3 and 6). Restricting data used
in kriging to a close neighborhood of each grid (in
the present case, <100 m) minimizes the possible
undesirable consequences the drift can cause to the
estimations (according discussion in Rossi, 1988,
and Journel & Rossi, 1989).
6 SIMULATION FOR CLAY THICKNESS
In order to assess the variability on the reserves and

consequently fluctuations on the stripping ratio, the
clay seam thickness variability is required.
Conditional simulations generated by the sequential
Figure 7 – Variogram model for clay seam thickness
(continuous line): major continuity direction (N10W) at the top,
and minor continuity direction (N80E) at the bottom. Distance
in meters. Dots represent the experimental variograms.
gaussian (SGS) algorithm (Isaaks, 1990) provide the

tools for this purpose. Stangler et al. (2000) presents
an application of SGS to predict fluctuation in
recoverable reserves for the same deposit.
Multiple simulations obtained for clay thickness
were ranked by average seam thickness. The
optimistic, median and pessimist scenarios were kept
for further use. The criterion for ranking was based
on the total seam tonnage, which means that the
optimistic scenario is the one representing the model
leading to the highest clay reserves. Figure 8 shows
the three selected simulations. They show common
characteristics, however small local variations
Figure 5. Declustered samples distribution for clay seam
among the maps are observed.
thickness.
Figure 8 – Extremes (best and worst) and median scenarios for clay seam thickness. The maps represent the clay seam thickness
models at 25x25m block support (3 out of 50 realizations). Values are expressed in meters.
Similarly to the topographical surface, the clay

7 OVERBURDEN VOLUME ESTIMATION hanging-wall surface was gridded using ordinary
kriging, at a 25x25m block model. The isocountour
Several methods are commonly used to estimate map obtained is shown in Fig. 10. Note the strong
overburden volume (Annels, 1991, Oliveira et al. similarities between the two surfaces, the original
1995). In this study the volume was defined firstly topography and the top of the clay seam.
modeling the upper and lower surfaces, calculating The overburden volume was obtained directly
the volume in between the two afterwards. The calculating the volume defined within the two
three necessary computational steps are explained surfaces estimated by ordinary kriging: (i) terrain
in what follows. surface; (ii) top clay seam surface. The volume is
Using the variogram previously presented (Fig. presented in Table 1.
3), a topographical elevation model for the entire
area was built using point kriging (Fig. 4). This
grid was contoured at every 0.5m. Changes in the 8 DISCUSSION
topographical slope gradient helped in defining the
geological domains. In the previous sections we presented different
Elevation contours were then truncated by the equally probable scenarios for the thickness model
boundaries delimiting the clay deposit in the plain of a clay seam. It was also discussed a procedure
domain, building thus the digital elevation model using kriging to evaluate overburden volume.
(DEM) (Fig. 9).
↑ ↑
Figure 9 – Digital elevation model within the clay deposit Figure 10 – The top of the clay seam elevation contours
limits (lines every 0.5m). within the deposit limits (lines every 0.5m).
Combining the simulated models and the kriged The authors are kindly grateful to Eliane
volume one is able to evaluate resource and Revestimentos Cerâmicos, especially to the
stripping ratio fluctuations (Table 1). geologists, Márcio Geremias and Jorge Christ, who
For this specific case study the resources provided the data set and permitted the publishing
tonnages can have a maximum of 3.1% above the of this paper.
expected value and a minimum of 2.6% below. In
terms of stripping ratio the median expected value
ranges approximately 3% above and below. These
low expected fluctuations certainly would not
impact the profitability of the operation. 11 REFERENCES
Annels, A.E., 1991. Mineral Deposits Evaluation: A Practical

9 CONCLUSIONS Approach, Chapman & Hall: UK, 436p.
Established geostatistical methods as ordinary Costa, J.F., 1997. Developments in Recoverable Reserves
kriging proved to be efficient to generate reliable and Ore Body Modeling, PhD Thesis, WH Bryan Mining
digital elevation models (DEM’s). Zonal Geology Research Centre, The University of Queensland,
anisotropies and drifts, frequent present in 333p.
topographical applications, can be properly
managed if the data is densely collected. Clarke, K.C., 1986. Computation of the fractal dimension of
The identification of the extremes and median topographic surfaces using the triangular prism surface area
scenarios for global resources and stripping ratio method. Computers & Geosciensces Vol 12, No. 5, Great
improves decision making in feasibility studies, Britain, pp. 713-722.
especially for marginally profitable deposits.
Dimitrakopoulos, R., 1998. Conditional Simulation
Algorithms for Modeling Orebody Uncertainty in Open Pit
10 ACKNOWLEDGEMENTS Optimisation, International Journal of Surface, Reclamation
and Environment, vol.12, pp.173-179.
This work was carried out through the financial
support of CNPq (National Science and Research Gilbert, L. E., 1989. Are topographic data sets fractal?
Council in Brazil. The undergraduate mining Pageoph , USA, Vol. 131 No 1/2, pp. 241-254.
engineering students Evandro dos Santos and
Fernando Gambin are acknowledged for their Goovaerts, P., 1997. Geostatistics for Natural Resources
computer support. Evaluation, Oxford University Press, 438p.
Table 1 – Resources summary.
Ranked Simulation Clay Thickness Clay Overburden Stripping

(by average thickness) Mean Resources Volume Ratio
(m) (m3 and t*) (m3) (m3/t)
highest 0.961 299,708 m3 96,100 0.160

599,416 t
median 0.932 290,722 m3 96,100 0.165

581,444 t
lowest 0.908 283,057 m3 96,100 0.170

566,114 t
*specific gravity = 2 t / m3
the Mineral Industries (APCOM), London, United
Herzfeld, U.C., Eriksson, M.G., Holmlund, P., 1993. On the Kingdom, pp. 19-23.
influence of kriging parameters on the cartographic output –
a study in mapping subglacial topography - Mathematical Rossi, M.E., 1999. Uncertainty and risk models for decision-
Geology, Sweeden, vol.25, No. 7, pp 881-899. making processes, Proceedings, 28th International
Symposium on Computer Applications in the Mineral
Isaaks, E.H., 1990. “The Application of Monte Carlo Industries (APCOM), Golden, U.S.A, pp. 185-195.
Methods to the Analysis of Spatially Correlated Data”, PhD
Thesis, Stanford University, USA, 213p. Schmitt, M., Bisquay, H., 2000. Structural description of
digital elevation models, CD-ROM, T20, Geostats 2000, 6th
Journel, A.J. & Rossi, M..E., 1989. When do we need a trend International Geostatistical Congress, Cape Town, South
model in kriging?, Mathematical Geology, USA, Vol. 21, Africa, 9p.
No. 7, pp. 715-739.
Stangler, R.L., Armstrong, M., Strieder, A.J., Koppe, J.C.,
Krige, D.G. & Rendu, J.M., 1974. The fitting of contour J.C. Costa, 2000. Geostatistical framework for modeling
surfaces to hanging and footwall data for an irregular ore clay deposits: Nova Veneza case study in Southern Brazil,
body, South Africa, pp. C-V 2 – C-V 12. Proceedings, 31st International Geological Congress (IGC),
Sessions of Geostatistics, Rio de Janeiro, Brazil,
Luís J., Soares, A., Gonzaga, J. Silva, F. Ferreira A., 1994. (unpublished).
Geostatistical characterization the shape of an orebody by
using mining and geological data, Proceedings, 24th Thwaites, A.M., 1988.Assessment of geological uncertainty
International Symposium on Computer Applications in the for a mining project, Proceedings, 27th International
Mineral Industries (APCOM), CIM published, Canada, pp. Symposium on Computer Applications in the Mineral
402-409. Industries (APCOM), London, United Kingdom, pp. 391-
404.
Olea, R. A., 1974. Optimal contour mapping using universal
kriging, Journal of Geophysical Research, USA, Vol. 79,
No. 5, pp. 695-702.
Oliveira, S.A., Koppe, J.C., Costa, J.F.C.L., 1995.

Overburden volume estimation assisted by geostatistics in
open cast coal mine, Proceedings, 25th International
Industries (APCOM), Brisbane, pp. 181-187.
Rossi, M. E., 1988. Simplifying the practice of kriging in

presence of trends, Proceedings, 21st International
Industries (APCOM), USA, pp. 253-261.
Rossi, M.E. & Alvarado C., S.B., 1998. Conditional

simulations applied to recoverable reserves, Proceedings,
27th International Symposium on Computer Applications in
Apêndice B – Procedimentos Laboratoriais
Preparação da Amostra
• Amostragem (sondagem);
• Limpeza das amostras;
• Quarteamento: homogeneização e redução da amostra, com auxílio de uma pá
metálica, em uma caixa de madeira com bordas de aproximadamente 100x100 cm
de largura e comprimento capaz de acomodar uma amostra de 30kg;
• Secagem;
• Destorroamento (britador de martelo);
• Moagem (moinho de bolas de porcelana - via úmido), com resíduo de moagem
máximo 5% (#325);
• Secagem (estufa a 110oC);
• Desagregação com rolo;
• Umidificação (5 a 6%);
• Granulação em malha (#9);
• Repouso (24 horas) para homogenização da umidade;
• Prensagem;
o
• Secagem (estufa a 110 C);
• Queima (forno de laboratório).
Ensaios
Absorção d'água
• Pesar as peças e em seguida emergi-Ias em recipiente com água;

• Ferver por duas horas;
• Esfriar naturalmente ou em água corrente. Os corpos devem ser colocados na
vertical e sempre cobertos pela água;
• Retirar o excesso de água com um pano úmido;
• Pesar novamente com precisão de 0,1 g.
Retração de Queima
• Medir o corpo-de-prova seco com precisão de 0,1 mm;

• Após a queima, com ciclo e temperatura pré-definidos, medir novamente as peças.
Apêndice C – Banco de Dados de Sondagem
A.A. = Absorção d’água

R.L. = Retração Linear
Esp. = Espessura de Argila
A.A.A. = Acumulação de Absorção d’água
A.R.L. = Acumulação de Retração Linear
C.E. = Cobertura Estéril
Planície
Furo X Y A.A. R.L. Esp. A.A.A. A.R.L. C.E.

(m) (m) (%) (%) (m) (%.m) (%.m) (m)
7 0 775 16,83 0,75 0,60 10,10 0,45 0,20

8 0 750 20,86 0,54 0,90 18,77 0,49 0,40
9 0 725 21,05 0,42 0,60 12,63 0,25 0,20
10 0 700 21,50 0,41 0,40 8,60 0,16 0,20
82 50 750 18,66 0,98 0,70 13,06 0,69 0,40
84 50 700 19,40 0,30 0,90 17,46 0,27 0,40
85 50 675 18,91 0,25 1,40 26,47 0,35 0,20
86 50 650 19,83 0,51 0,80 15,86 0,41 0,20
87 50 625 17,56 1,08 0,70 12,29 0,76 0,10
89 50 575 18,15 0,08 0,90 16,34 0,07 0,10
90 50 550 15,88 1,41 0,80 12,70 1,13 0,20
91 50 525 16,88 1,31 0,50 8,44 0,66 0,10
92 50 500 15,22 2,02 0,70 10,65 1,41 0,20
118 100 475 16,08 2,68 0,70 11,26 1,88 0,30
119 100 500 19,85 1,41 0,80 15,88 1,13 0,10
120 100 525 10,26 4,18 0,80 8,21 3,34 0,20
141 150 525 12,65 4,18 1,00 12,65 4,18 0,20
142 150 500 14,74 2,59 1,10 16,21 2,85 0,20
171 200 325 16,47 2,87 1,60 26,35 4,59 0,10
173 200 375 12,33 3,89 0,40 4,93 1,56 0,90
174 200 400 15,48 2,68 1,00 15,48 2,68 0,00
176 200 450 15,87 1,04 0,60 9,52 0,62 0,20
178 200 500 15,58 2,83 0,60 9,35 1,70 0,20
179 200 525 16,16 2,09 0,50 8,08 1,05 0,40
200 225 525 14,75 1,92 1,20 17,70 2,30 0,40
201 225 500 14,92 1,90 0,50 7,46 0,95 0,80
204 225 425 14,49 2,05 1,00 14,49 2,05 0,20
205 225 400 9,59 6,29 0,40 3,84 2,52 0,20
207 225 350 16,68 1,15 1,40 23,35 1,61 0,10
213 250 275 14,47 3,70 0,40 5,79 1,48 0,20
214 250 300 18,44 0,79 1,00 18,44 0,79 0,20
215 250 325 15,65 3,01 0,80 12,52 2,41 0,20
(m) (m) (%) (%) (m) (%.m) (%.m) (m)
216 250 350 15,43 1,49 0,70 10,80 1,04 0,80

217 250 375 15,28 3,32 0,50 7,64 1,66 0,30
218 250 400 15,45 2,38 0,50 7,73 1,19 0,30
219 250 425 13,50 4,58 0,50 6,75 2,29 1,20
220 250 450 13,91 4,40 1,10 15,30 4,84 0,40
221 250 475 14,36 2,47 0,70 10,05 1,73 0,70
222 250 500 15,73 1,55 1,10 17,30 1,71 0,10
223 250 525 14,78 1,93 0,90 13,30 1,74 0,30
224 250 550 18,08 0,52 0,80 14,46 0,42 0,20
243 275 550 13,15 2,98 1,30 17,10 3,87 0,20
244 275 525 15,16 1,57 0,70 10,61 1,10 0,30
245 275 500 11,98 4,88 0,80 9,58 3,90 0,20
246 275 475 16,98 1,30 1,00 16,98 1,30 0,20
247 275 450 15,33 2,15 0,90 13,80 1,94 0,50
248 275 425 14,71 2,89 1,30 19,12 3,76 0,20
249 275 400 15,41 1,80 1,00 15,41 1,80 0,20
250 275 375 16,57 1,22 0,50 8,29 0,61 1,00
252 275 325 14,01 2,83 0,80 11,21 2,26 0,20
253 275 300 - - 1,00 - - 0,20
254 275 275 15,24 3,67 0,80 12,19 2,94 0,20
255 275 250 15,19 2,69 0,80 12,15 2,15 0,10
259 300 325 15,90 2,74 0,90 14,31 2,47 0,20
261 300 375 15,70 0,92 0,90 14,13 0,83 0,30
262 300 400 15,35 0,98 1,20 18,42 1,18 0,20
263 300 425 14,67 2,04 1,20 17,60 2,45 0,40
264 300 450 18,16 0,27 1,00 18,16 0,27 0,20
265 300 475 17,02 0,72 1,00 17,02 0,72 0,20
266 300 500 14,67 2,34 0,60 8,80 1,40 0,80
267 300 525 16,78 0,58 0,60 10,07 0,35 0,20
287 325 550 16,54 2,08 1,20 19,85 2,50 0,30
288 325 525 18,59 0,38 0,80 14,87 0,30 0,20
289 325 500 17,08 0,82 0,70 11,96 0,57 0,30
290 325 475 16,63 1,46 1,10 18,29 1,61 0,20
291 325 450 17,00 1,34 0,60 10,20 0,80 0,40
292 325 425 15,50 2,19 0,80 12,40 1,75 0,40
293 325 400 15,10 1,85 1,70 25,67 3,15 0,20
299 325 250 12,53 4,25 1,30 16,29 5,53 0,20
300 325 225 16,21 1,25 1,10 17,83 1,38 0,20
301 325 200 15,68 1,76 1,00 15,68 1,76 0,10
306 350 250 15,40 2,82 0,60 9,24 1,69 0,30
307 350 275 14,93 1,26 1,40 20,90 1,76 0,20
308 350 300 18,63 3,06 1,00 18,63 3,06 0,40
309 350 325 16,10 1,68 0,90 14,49 1,51 0,60
310 350 350 16,09 1,60 1,40 22,53 2,24 0,20
311 350 375 15,97 0,73 0,80 12,78 0,58 0,20
312 350 400 13,41 3,57 1,10 14,75 3,93 0,20
313 350 425 15,64 1,48 0,60 9,38 0,89 0,30
314 350 450 17,08 0,56 0,80 13,66 0,45 0,40
315 350 475 16,51 0,98 0,70 11,56 0,69 0,70
317 350 525 15,59 2,09 0,50 7,80 1,05 0,40
(m) (m) (%) (%) (m) (%.m) (%.m) (m)
338 375 525 15,83 0,71 0,70 11,08 0,50 0,40

339 375 500 15,98 0,98 1,00 15,98 0,98 0,20
340 375 475 15,25 1,28 0,60 9,15 0,77 0,40
341 375 450 15,97 1,18 0,60 9,58 0,71 0,20
343 375 400 15,31 1,62 1,00 15,31 1,62 0,20
344 375 375 17,02 0,62 0,70 11,91 0,43 0,30
346 375 325 15,00 3,37 0,50 7,50 1,69 0,20
348 375 275 11,95 5,36 0,60 7,17 3,22 0,60
349 375 250 15,08 1,29 1,40 21,11 1,81 0,30
350 375 225 12,90 3,47 1,30 16,77 4,51 0,10
351 375 200 16,90 1,08 0,90 15,21 0,97 0,30
352 375 175 16,22 1,44 1,20 19,46 1,73 0,10
353 375 150 15,30 1,91 0,80 12,24 1,53 0,20
354 375 125 15,95 2,18 0,60 9,57 1,31 0,20
361 400 250 15,09 1,66 0,80 12,07 1,33 1,20
363 400 300 18,23 0,58 1,00 18,23 0,58 0,30
364 400 325 19,45 0,07 1,00 19,45 0,07 0,50
365 400 350 15,73 1,75 1,20 18,88 2,10 0,70
366 400 375 19,15 0,08 1,50 28,73 0,12 0,20
367 400 400 16,75 0,45 1,10 18,43 0,50 0,60
368 400 425 15,83 0,98 1,90 30,08 1,86 0,20
369 400 450 16,33 0,98 2,20 35,93 2,16 0,30
370 400 475 14,91 1,42 1,70 25,35 2,41 0,20
396 425 475 15,26 1,75 2,10 32,05 3,68 0,40
397 425 450 15,00 1,38 2,00 30,00 2,76 0,60
398 425 425 15,31 1,64 1,70 26,03 2,79 0,40
399 425 400 15,49 1,63 1,70 26,33 2,77 0,30
400 425 375 14,24 2,05 1,50 21,36 3,08 0,20
401 425 350 14,17 2,65 1,50 21,26 3,98 0,40
402 425 325 15,34 1,85 1,80 27,61 3,33 0,20
403 425 300 16,41 0,91 0,40 6,56 0,36 0,80
404 425 275 18,17 0,00 1,20 21,80 0,00 0,10
405 425 250 15,47 2,35 0,80 12,38 1,88 0,70
406 425 225 15,86 1,05 1,00 15,86 1,05 0,10
407 425 200 14,21 2,88 0,40 5,68 1,15 1,00
408 425 175 16,72 1,75 0,90 15,05 1,58 0,10
409 425 150 13,19 2,03 1,00 13,19 2,03 0,10
411 450 125 15,82 0,42 0,40 6,33 0,17 0,20
412 450 150 16,56 1,31 0,90 14,90 1,18 0,10
413 450 175 14,36 2,38 1,10 15,80 2,62 0,20
414 450 200 14,28 3,65 0,50 7,14 1,83 1,00
415 450 225 15,55 1,40 1,10 17,11 1,54 0,10
416 450 250 17,12 0,91 0,60 10,27 0,55 1,20
418 450 300 14,59 2,20 1,60 23,34 3,52 0,20
419 450 325 15,64 1,11 1,40 21,90 1,55 0,40
420 450 350 14,58 2,17 1,40 20,41 3,04 0,40
421 450 375 16,41 0,63 1,90 31,18 1,20 0,40
422 450 400 16,31 1,80 2,00 32,62 3,60 0,10
423 450 425 17,21 0,47 1,50 25,82 0,71 0,20
452 475 425 15,93 0,73 0,60 9,56 0,44 0,80
(m) (m) (%) (%) (m) (%.m) (%.m) (m)
453 475 400 15,37 1,37 1,10 16,91 1,51 0,20

454 475 375 14,04 1,75 2,40 33,70 4,20 0,40
455 475 350 15,76 0,52 1,60 25,22 0,83 0,40
456 475 325 16,50 0,33 1,50 24,75 0,50 0,20
457 475 300 15,54 0,86 1,60 24,86 1,38 0,20
458 475 275 15,16 1,58 1,00 15,16 1,58 0,20
459 475 250 15,52 2,43 1,50 23,28 3,65 0,10
461 475 200 14,57 3,23 0,80 11,66 2,58 0,30
462 475 175 16,12 0,72 1,70 27,40 1,22 0,20
463 475 150 14,37 2,09 1,40 20,12 2,93 0,10
464 475 125 14,88 1,73 1,70 25,30 2,94 0,10
465 475 100 15,65 0,87 1,30 20,35 1,13 0,50
467 500 100 16,79 1,23 1,30 21,83 1,60 0,20
468 500 125 15,44 2,65 1,30 20,07 3,45 0,20
470 500 175 18,51 1,18 0,80 14,81 0,94 0,20
472 500 225 15,28 2,96 1,30 19,86 3,85 0,10
473 500 250 16,71 1,47 1,40 23,39 2,06 0,20
474 500 275 17,45 0,20 1,50 26,18 0,30 0,10
475 500 300 16,13 0,98 1,20 19,36 1,18 0,20
476 500 325 15,83 1,32 1,60 25,33 2,11 0,20
477 500 350 16,25 0,81 1,90 30,88 1,54 0,20
478 500 375 15,40 1,15 1,20 18,48 1,38 0,20
479 500 400 15,99 0,89 1,70 27,18 1,51 0,20
480 500 425 15,06 1,05 1,80 27,11 1,89 0,20
507 525 425 15,78 0,83 0,50 7,89 0,42 0,60
508 525 400 14,62 1,68 0,70 10,23 1,18 0,80
509 525 375 15,72 0,64 0,60 9,43 0,38 0,80
510 525 350 16,02 0,67 0,70 11,21 0,47 0,40
511 525 325 15,54 0,86 1,50 23,31 1,29 0,40
512 525 300 14,81 1,32 1,40 20,73 1,85 0,20
513 525 275 16,33 1,21 0,90 14,70 1,09 0,70
514 525 250 16,63 0,72 0,80 13,30 0,58 0,40
515 525 225 15,49 1,52 1,30 20,14 1,98 0,20
516 525 200 14,82 2,69 0,90 13,34 2,42 0,20
518 525 150 15,89 1,47 1,40 22,25 2,06 0,10
519 525 125 15,08 1,99 1,20 18,10 2,39 0,10
520 525 100 14,17 3,50 1,30 18,42 4,55 0,10
525 550 150 14,05 3,47 0,80 11,24 2,78 0,20
526 550 175 14,98 0,55 0,70 10,49 0,39 0,40
527 550 200 15,66 1,67 1,00 15,66 1,67 0,10
529 550 250 16,60 0,03 0,50 8,30 0,02 1,20
530 550 275 14,31 1,98 0,70 10,02 1,39 0,30
531 550 300 14,80 1,29 1,10 16,28 1,42 0,20
532 550 325 13,76 2,95 0,80 11,01 2,36 0,20
533 550 350 14,38 2,07 0,70 10,07 1,45 0,10
535 550 400 16,21 0,77 1,00 16,21 0,77 0,10
536 550 425 14,69 1,39 1,60 23,50 2,22 0,40
563 575 425 12,88 2,26 1,60 20,61 3,62 0,20
564 575 400 13,10 1,86 1,30 17,03 2,42 0,10
565 575 375 15,05 1,34 0,90 13,55 1,21 0,80
(m) (m) (%) (%) (m) (%.m) (%.m) (m)
566 575 350 13,40 2,59 1,10 14,74 2,85 0,10

567 575 325 15,24 1,06 1,10 16,76 1,17 0,10
568 575 300 15,09 1,27 1,00 15,09 1,27 0,60
569 575 275 15,92 0,12 1,30 20,70 0,16 0,10
570 575 250 16,38 0,21 0,90 14,74 0,19 0,60
571 575 225 15,89 1,72 0,60 9,53 1,03 1,10
572 575 200 16,91 0,20 1,70 28,75 0,34 0,20
574 575 150 18,89 0,03 1,10 20,78 0,03 0,20
575 575 125 18,49 0,53 1,00 18,49 0,53 0,20
576 575 100 15,48 1,61 1,50 23,22 2,42 0,10
583 600 175 17,96 0,23 1,40 25,14 0,32 0,20
585 600 225 15,79 0,94 0,40 6,32 0,38 0,80
586 600 250 15,56 1,22 1,50 23,34 1,83 0,40
588 600 300 14,10 2,03 1,00 14,10 2,03 0,50
589 600 325 15,72 0,79 0,80 12,58 0,63 0,20
590 600 350 15,19 0,92 1,60 24,30 1,47 0,40
591 600 375 14,74 0,59 1,30 19,16 0,77 0,10
618 625 425 14,62 0,79 0,50 7,31 0,40 1,00
619 625 400 15,26 1,63 1,30 19,84 2,12 0,10
620 625 375 15,28 0,58 1,60 24,45 0,93 0,20
621 625 350 13,87 0,95 0,90 12,48 0,86 1,20
623 625 300 13,93 1,21 0,70 9,75 0,85 0,80
624 625 275 16,54 0,36 0,90 14,89 0,32 0,10
625 625 250 17,80 1,13 0,40 7,12 0,45 0,60
626 625 225 15,36 1,49 0,40 6,14 0,60 0,80
627 625 200 15,36 1,58 1,20 18,43 1,90 0,20
628 625 175 15,62 0,37 1,00 15,62 0,37 0,40
632 650 150 15,22 0,39 0,40 6,09 0,16 0,90
636 650 250 15,09 1,88 0,40 6,04 0,75 0,40
639 650 325 15,56 1,44 1,10 17,12 1,58 0,40
641 650 375 15,37 0,74 1,10 16,91 0,81 0,40
642 650 400 13,55 1,12 0,90 12,20 1,01 0,50
643 650 425 12,93 1,82 0,80 10,34 1,46 0,80
668 675 425 12,45 2,46 1,60 19,92 3,94 0,30
669 675 400 14,83 2,61 0,90 13,35 2,35 0,60
670 675 375 12,56 3,72 1,60 20,10 5,95 0,20
671 675 350 13,55 1,29 1,20 16,26 1,55 0,40
672 675 325 10,79 4,53 0,90 9,71 4,08 0,10
680 700 300 12,89 1,37 0,80 10,31 1,10 1,00
681 700 325 14,24 1,51 1,00 14,24 1,51 0,10
682 700 350 14,80 0,90 0,60 8,88 0,54 0,40
683 700 375 10,10 4,44 0,80 8,08 3,55 1,30
684 700 400 11,17 2,81 1,80 20,11 5,06 0,50
685 700 425 13,49 2,00 1,10 14,84 2,20 0,90
707 725 400 12,21 2,14 1,10 13,43 2,35 0,80
708 725 375 13,82 1,26 1,60 22,11 2,02 0,30
710 725 325 14,18 0,63 0,50 7,09 0,32 0,40
711 725 300 13,52 2,25 0,60 8,11 1,35 0,40
714 750 300 13,81 1,69 1,00 13,81 1,69 0,20
Tálus

(m) (m) (%) (%) (m) (%.m) (%.m) (m)
122 100 575 11,13 5,69 0,60 6,68 3,41 0,10

125 100 650 20,05 0,72 0,80 16,04 0,58 0,20
126 100 675 14,60 1,72 1,20 17,52 2,06 0,20
127 100 700 9,50 5,76 1,30 12,35 7,49 1,20
128 100 725 20,17 0,13 1,60 32,27 0,21 0,20
129 100 750 17,99 0,45 0,80 14,39 0,36 0,20
130 100 775 12,82 3,96 1,10 14,10 4,36 0,20
131 150 775 10,28 5,08 1,70 17,48 8,64 0,80
132 150 750 16,18 2,55 1,00 16,18 2,55 0,20
134 150 700 14,13 3,13 0,90 12,72 2,82 0,50
135 150 675 16,25 0,81 1,10 17,88 0,89 0,50
136 150 650 16,98 1,13 0,90 15,28 1,02 0,50
137 150 625 16,28 1,55 1,10 17,91 1,71 0,20
138 150 600 14,73 3,52 0,70 10,31 2,46 0,00
182 200 600 15,11 1,21 1,30 19,64 1,57 0,10
183 200 625 12,77 3,44 0,40 5,11 1,38 1,20
184 200 650 12,65 2,69 0,80 10,12 2,15 0,80
187 200 725 14,38 1,92 1,20 17,26 2,30 1,40
188 200 750 13,32 1,77 0,60 7,99 1,06 2,20
189 200 775 10,67 3,71 1,10 11,74 4,08 0,90
190 225 775 11,95 2,38 0,90 10,76 2,14 1,80
191 225 750 11,25 3,49 1,10 12,38 3,84 1,40
193 225 700 11,70 4,60 0,70 8,19 3,22 0,60
194 225 675 15,96 1,89 0,40 6,38 0,76 0,60
195 225 650 13,89 3,73 0,70 9,72 2,61 1,00
196 225 625 13,27 3,37 0,60 7,96 2,02 1,00
197 225 600 15,78 1,70 0,50 7,89 0,85 1,00
199 225 550 13,03 2,98 0,70 9,12 2,09 0,30
225 250 575 15,80 2,98 0,50 7,90 1,49 0,40
226 250 600 17,54 1,01 0,90 15,79 0,91 0,20
228 250 650 15,96 1,60 0,60 9,58 0,96 0,20
229 250 675 16,38 0,99 0,80 13,10 0,79 0,50
230 250 700 14,79 2,33 1,00 14,79 2,33 0,20
231 250 725 15,71 1,04 1,30 20,42 1,35 0,20
232 250 750 13,56 3,42 0,80 10,85 2,74 0,80
236 275 725 14,21 2,72 2,00 28,42 5,44 0,10
237 275 700 13,80 3,42 2,00 27,60 6,84 0,80
238 275 675 16,99 1,62 0,80 13,59 1,30 0,20
240 275 625 12,00 6,43 0,80 9,60 5,14 0,40
241 275 600 16,49 0,74 1,70 28,03 1,26 0,10
242 275 575 16,96 0,57 1,30 22,05 0,74 0,50
269 300 575 11,98 5,85 1,00 11,98 5,85 0,20
270 300 600 16,87 0,75 0,80 13,50 0,60 0,20
271 300 625 14,22 3,06 2,30 32,71 7,04 0,40
272 300 650 13,04 4,38 1,10 14,34 4,82 0,20
273 300 675 17,67 1,09 0,60 10,60 0,65 0,50
(m) (m) (%) (%) (m) (%.m) (%.m) (m)
275 300 725 14,34 2,81 0,40 5,74 1,12 0,40

276 300 750 14,64 2,07 0,60 8,78 1,24 0,20
278 325 775 19,30 0,57 0,40 7,72 0,23 0,20
280 325 725 14,87 2,39 0,50 7,44 1,20 0,20
281 325 700 15,13 1,46 0,40 6,05 0,58 0,20
284 325 625 15,71 1,24 1,00 15,71 1,24 0,30
320 350 600 17,87 0,32 0,70 12,51 0,22 0,20
321 350 625 17,24 0,72 0,50 8,62 0,36 0,50
322 350 650 15,45 1,39 1,50 23,18 2,09 0,20
323 350 675 14,84 1,48 1,00 14,84 1,48 0,40
324 350 700 16,78 1,17 0,50 8,39 0,59 0,40
326 350 750 17,60 0,73 0,60 10,56 0,44 0,30
329 375 750 15,37 1,33 0,50 7,69 0,67 1,00
331 375 700 14,46 1,55 1,40 20,24 2,17 0,20
332 375 675 13,57 3,34 1,50 20,36 5,01 0,80
333 375 650 14,39 2,95 0,70 10,07 2,07 0,40
334 375 625 15,48 1,41 0,90 13,93 1,27 0,40
336 375 575 16,89 0,43 0,70 11,82 0,30 0,40
337 375 550 13,41 3,13 1,40 18,77 4,38 0,20
373 400 550 17,13 0,77 0,90 15,42 0,69 0,20
374 400 575 14,70 3,33 0,60 8,82 2,00 0,50
376 400 625 14,88 3,38 0,80 11,90 2,70 0,20
378 400 675 12,34 5,49 0,60 7,40 3,29 0,40
379 400 700 12,82 3,99 1,10 14,10 4,39 0,20
381 400 750 10,62 5,20 2,10 22,30 10,92 0,60
382 400 775 12,36 3,57 0,70 8,65 2,50 2,10
386 425 725 13,34 3,05 1,90 25,35 5,80 0,90
387 425 700 12,68 3,73 0,80 10,14 2,98 1,00
388 425 675 14,55 1,36 1,60 23,28 2,18 0,90
389 425 650 16,13 0,24 0,90 14,52 0,22 0,30
390 425 625 14,13 2,47 1,80 25,43 4,45 0,70
391 425 600 13,68 3,55 0,80 10,94 2,84 0,90
393 425 550 14,38 2,00 0,90 12,94 1,80 0,60
394 425 525 15,46 0,76 0,50 7,73 0,38 1,40
395 425 500 14,94 0,88 2,40 35,86 2,11 0,40
424 450 450 16,19 1,06 1,80 29,14 1,91 0,20
425 450 475 18,72 0,10 1,40 26,21 0,14 0,20
426 450 500 14,77 2,25 1,60 23,63 3,60 0,20
427 450 525 14,23 2,09 2,00 28,46 4,18 0,10
428 450 550 14,26 1,63 2,00 28,52 3,26 0,20
429 450 575 14,51 1,61 0,90 13,06 1,45 0,80
430 450 600 15,47 0,93 1,60 24,75 1,49 0,40
431 450 625 10,54 5,18 1,00 10,54 5,18 0,90
432 450 650 12,74 2,76 1,80 22,93 4,97 0,20
433 450 675 12,46 3,43 1,80 22,43 6,17 0,70
434 450 700 10,95 4,15 1,50 16,43 6,23 0,50
435 450 725 11,36 4,20 1,40 15,90 5,88 0,70
436 450 750 12,12 3,50 1,90 23,03 6,65 0,70
439 475 750 12,53 3,61 2,50 31,33 9,03 0,80
440 475 725 11,76 3,22 1,10 12,94 3,54 0,90
(m) (m) (%) (%) (m) (%.m) (%.m) (m)
441 475 700 13,21 2,47 2,10 27,74 5,19 0,80

442 475 675 14,26 1,48 2,70 38,50 4,00 0,40
445 475 600 11,71 3,47 1,50 17,57 5,21 0,40
446 475 575 14,09 2,28 0,60 8,45 1,37 2,00
447 475 550 12,22 3,30 2,40 29,33 7,92 0,10
448 475 525 13,42 3,01 2,00 26,84 6,02 0,10
449 475 500 14,44 2,14 0,50 7,22 1,07 1,60
450 475 475 14,97 1,72 1,80 26,95 3,10 0,20
451 475 450 14,22 1,42 0,80 11,38 1,14 1,60
481 500 450 17,17 0,41 1,70 29,19 0,70 0,20
482 500 475 14,22 1,66 1,70 24,17 2,82 0,20
483 500 500 14,16 1,50 1,80 25,49 2,70 0,20
484 500 525 13,33 2,70 1,90 25,33 5,13 0,10
485 500 550 14,13 1,91 1,90 26,85 3,63 0,20
486 500 575 12,74 2,42 2,30 29,30 5,57 0,20
487 500 600 13,23 2,16 1,60 21,17 3,46 0,40
488 500 625 12,56 2,94 1,20 15,07 3,53 0,20
489 500 650 12,84 2,57 0,20 2,57 0,51 1,40
490 500 675 11,56 2,97 2,00 23,12 5,94 1,10
491 500 700 14,43 2,25 2,20 31,75 4,95 1,40
492 500 725 13,16 2,38 1,90 25,00 4,52 3,10
494 525 750 14,47 1,92 1,50 21,71 2,88 0,70
495 525 725 13,01 2,25 1,70 22,12 3,83 0,80
496 525 700 13,65 2,54 0,40 5,46 1,02 3,00
497 525 675 12,44 2,43 2,40 29,86 5,83 0,40
498 525 650 13,81 2,04 2,20 30,38 4,49 0,80
499 525 625 15,04 0,84 2,00 30,08 1,68 1,60
500 525 600 15,86 0,49 0,90 14,27 0,44 3,10
501 525 575 14,13 2,22 3,00 42,39 6,66 1,00
502 525 550 13,69 2,52 1,90 26,01 4,79 0,80
503 525 525 15,16 1,21 1,40 21,22 1,69 0,70
504 525 500 14,51 1,19 1,60 23,22 1,90 0,20
505 525 475 14,51 1,78 1,60 23,22 2,85 0,20
506 525 450 13,85 2,29 1,30 18,01 2,98 0,40
537 550 450 12,94 3,13 1,40 18,12 4,38 0,30
538 550 475 13,13 2,93 0,70 9,19 2,05 1,30
539 550 500 13,51 1,69 0,80 10,81 1,35 2,30
540 550 525 13,65 3,46 1,40 19,11 4,84 0,40
541 550 550 15,35 0,22 1,40 21,49 0,31 2,00
542 550 575 14,89 0,61 0,40 5,96 0,24 2,70
543 550 600 14,42 0,73 0,70 10,09 0,51 2,00
544 550 625 12,40 2,89 2,10 26,04 6,07 0,90
545 550 650 12,33 2,17 0,60 7,40 1,30 2,20
546 550 675 12,04 3,06 0,80 9,63 2,45 1,50
547 550 700 8,60 4,36 0,50 4,30 2,18 1,50
553 575 675 5,18 6,54 0,50 2,59 3,27 1,50
554 575 650 11,46 2,68 0,80 9,17 2,14 2,00
555 575 625 10,51 4,13 0,40 4,20 1,65 2,00
556 575 600 12,92 1,85 2,70 34,88 5,00 0,30
557 575 575 10,43 5,37 1,50 15,65 8,06 2,00
(m) (m) (%) (%) (m) (%.m) (%.m) (m)
558 575 550 11,77 2,00 0,90 10,59 1,80 2,60

559 575 525 10,27 4,68 1,00 10,27 4,68 0,80
560 575 500 10,27 4,68 1,70 17,46 7,96 0,80
562 575 450 15,48 0,28 1,30 20,12 0,36 0,80
597 600 525 15,50 0,61 0,80 12,40 0,49 0,20
598 600 550 9,82 5,41 1,60 15,71 8,66 0,20
602 600 650 11,67 3,36 1,30 15,17 4,37 1,00
603 600 675 8,56 5,07 1,40 11,98 7,10 0,40
610 625 625 13,64 3,61 0,90 12,28 3,25 0,40
612 625 575 15,07 1,79 1,10 16,58 1,97 0,50
615 625 500 10,84 3,73 1,70 18,43 6,34 0,40
616 625 475 12,96 1,93 0,70 9,07 1,35 0,80
617 625 450 14,84 1,03 1,80 26,71 1,85 0,30
644 650 450 14,46 1,41 1,60 23,14 2,26 0,20
646 650 500 11,81 2,70 1,10 12,99 2,97 0,40
647 650 525 8,15 5,24 0,80 6,52 4,19 0,10
648 650 550 13,70 2,61 1,20 16,44 3,13 0,60
649 650 575 11,43 3,80 1,40 16,00 5,32 0,20
650 650 600 12,84 2,33 0,80 10,27 1,86 0,20
651 650 625 11,11 3,78 0,80 8,89 3,02 0,20
663 675 550 9,64 5,16 1,10 10,60 5,68 1,10
664 675 525 10,16 3,44 1,40 14,22 4,82 1,30
665 675 500 10,77 4,77 0,90 9,69 4,29 0,20
666 675 475 11,68 3,25 1,10 12,85 3,58 0,60
667 675 450 9,71 4,34 1,40 13,59 6,08 0,20
686 700 450 12,05 3,43 1,10 13,26 3,77 0,20
687 700 475 10,46 4,20 0,60 6,28 2,52 0,90
688 700 500 12,16 2,77 1,70 20,67 4,71 0,10
689 700 525 6,79 4,75 0,80 5,43 3,80 1,60
690 700 550 13,03 2,33 2,00 26,06 4,66 1,00
691 700 575 5,80 7,59 2,20 12,76 16,70 1,20
701 725 550 4,18 8,19 2,00 8,36 16,38 1,20
703 725 500 11,02 2,85 1,40 15,43 3,99 0,30
704 725 475 4,52 6,73 1,50 6,78 10,10 0,50
705 725 450 10,69 3,95 1,30 13,90 5,14 0,20
715 750 325 11,03 3,14 0,70 7,72 2,20 0,40
716 750 350 11,63 4,06 1,20 13,96 4,87 0,70
717 750 375 11,77 2,75 1,40 16,48 3,85 0,40
719 750 425 11,69 3,87 0,60 7,01 2,32 0,70
720 750 450 11,34 3,14 0,80 9,07 2,51 0,20
721 750 475 10,93 4,74 0,90 9,84 4,27 0,80
737 775 500 8,32 4,51 1,00 8,32 4,51 0,50
738 775 475 13,67 2,58 0,80 10,94 2,06 0,70
740 775 425 11,35 4,11 0,70 7,95 2,88 0,80
742 775 375 9,73 4,06 1,00 9,73 4,06 1,00
Apêndice D – Caracterização Global do Depósito
Decisões mineiras nem sempre estão atreladas necessariamente à

delimitação em domínios geológicos ou mesmo geoestatísticos. Assim, é
interessante obter-se uma visão da área pesquisada como um todo, a partir dos
resultados da krigagem em blocos.
As Figuras D.1, D.2 e D.3 apresentam os resultados da estimativa por
krigagem em blocos para o depósito como um todo, individualmente para cada
variável, juntamente com seções verticais N-S e E-W, cortando o centro da área
estimada. Essas direções foram escolhidas porque coincidem com a orientação
das propriedades, minifúndios alongados no sentido N-S, com algumas
subdivisões perpendiculares. Tanto eventuais trabalhos mineiros quanto de
recuperação ambiental deveriam necessariamente tomar em consideração essa
conformação das propriedades. O ideal, pelo menos em caso de mineração,
seria ter-se em mãos várias dessas seções paralelamente distribuídas, a fim de
melhor guiar os trabalhos de lavra. Aqui são apresentadas apenas duas seções
perpendicularmente dispostas, exemplificando representações gráficas neste
sentido. Os valores tomados como referência para construção dessa seções,
embora representativos de um bloco 25m x 25m, foram considerados como
pontos, para se ter uma idéia de tendências naquela determinada direção.
Os blocos estimados para espessura da camada de argila (Figura D.1)
confirmam a tendência observada nos furos de sondagem, das maiores
espessuras ocorrerem no centro-norte da área pesquisada, na forma de um
canal de orientação geral N-S. As seções mostram uma grande flutuação na
direção W-E, e o efeito do canal na direção N-S. Para retração linear (Figura
D.2), a continuidade NW-SE é notória, sendo os valores maiores que 2,5 %
(caracterizando já um material estéril), nitidamente predominantes no N do
depósito. Tal tendência é claramente observável na seção vertical N-S, sendo
mais oscilante na direção W-E. A absorção d’água mostra no mapa da Figura
D.3 igualmente uma forte continuidade na direção NW-SE, com os valores
progressivamente aumentando de N para S, conforme mostra a seção vertical
nesta direção. Na direção W-E, os valores mantém-se aproximadamente
constantes, com uma queda considerável no extremo E.
A partir dos resultados estimados para cada variável de qualidade,
procede-se à classificação cerâmica da argila em cada bloco. As Figuras D.4 e
D.5 apresentam respectivamente a classificação dos blocos krigados em
estéreis ou mineralizados, e também em relação ao tipo de argila cerâmica.
Em casos como o presente, onde se tem mais de uma variável de
interesse e a classificação da argila é feita com base em dois atributos
cerâmicos tomados em conjunto, é interessante a visualização simultânea das
diferentes variáveis. A Figura D.6 combina os valores estimados de espessura,
vistos em relevo e dando uma idéia de dimensão do depósito, por extensão dos
recursos in situ, com a classificação cerâmica dos blocos. A parte SE da jazida é
assim facilmente visualizável como sendo a região mais favorável para as três
variáveis tomadas no conjunto. Já a Figura D.7 combina os mesmos valores
estimados de espessura, vistos em relevo como antes, com os valores
estimados dos atributos de qualidade, permitindo a análise integrada das três
variáveis bloco-a-bloco.
Espessura (m)
Perfil N - S
700
600
500
400 Perfil W - E
300
200 0 a 0.5
0.5 a 1
1 a 1.5
1.5 a 2.5
2.5 a 3.5
100
0 100 200 300 400 500 600 700 (m)
1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
725 625 525 425 325 225 125
<-- Norte Sul --> (m)
2
1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
200 300 400 500 600 700
<-- Oeste Leste --> (m)
Figura D.1- Espessura estimada em blocos: mapa e seções verticais Norte-Sul e Oeste-Leste.
Retração Linear (%)
Perfil N - S
700
600
500
400 Perfil W - E
300
200 0 a 1.5
1.5 a 2.5
2.5 a 3.5
3.5 a 5
5 a 11
100
0 100 200 300 400 500 600 700 (m)
6
- retração linear (%) -
5
4
3
2
1
0
725 625 525 425 325 225 125
4
3.5
3
2.5
2
1.5
1
0.5
0
200 300 400 500 600 700
Figura D.2 - Retração Linear estimada em blocos: mapa e seções verticais Norte-Sul e Oeste-Leste.
Absorção d'água (%)
Perfil N - S
700
600
500
400 Perfil W - E
300
200
0 a 10
10 a 15
15 a 20
20 a 25
100
0 100 200 300 400 500 600 700 (m)
18
- absorção d`água (%) -
17
16
15
14
13
12
11
10
725 625 525 425 325 225 125
18
- absorção d`água (%) -
17
16
15
14
13
12
11
10
200 300 400 500 600 700
Figura D.3 - Absorção d'água estimada em blocos: mapa e seções verticais Norte-Sul e Oeste-Leste.
700
600
500
400
300
200
Estéril
Minério
100
0 100 200 300 400 500 600 700
Figura D.4 - Localização dos blocos 25m x 25m classificados como Estéril e Minério.
700
600
500
400
300
Estéril
200
Argila Biqueima
Argila Monoporosa
100
0 100 200 300 400 500 600 700
Figura D.5 - Distribuição espacial de blocos estéreis e de minérios.

Estéril
Argila Biqueima
Argila Monoporosa
Estéril
Argila Biqueima
Argila Monoporosa
Figura D.6 - Combinação da espessura estimada da camada de argila, em relevo, com os blocos
classificados como "estéril", "argila biqueima" e "argila monoporosa", em diferentes visadas.
Absorção d'água (%) Retração Linear (%)
0 a 10 0 a 1.5
10 a 15 1.5 a 2.5
15 a 20 2.5 a 3.5
20 a 25 3.5 a 5
5 a 11
Absorção d'água (%)

0 a 10
10 a 15
15 a 20
20 a 25
Retração Linear (%)

0 a 1.5
1.5 a 2.5
2.5 a 3.5
3.5 a 5
5 a 11
Figura D.7 - Combinação em diferentes visadas da espessura estimada da camada de argila, em

relevo, com os atributos de qualidade (parâmetros industriais) estimados em blocos.
Quadro de Recursos Geológicos
A Tabela D.1 apresenta um quadro-resumo dos recursos geológicos

globais, estimados e classificados nos diferentes tipos cerâmicos, para cada
subdomínio. Em função do critério adotado de restringir ao máximo as
extrapolações, todos os recursos serão considerados medidos.
Tabela D.1 - Quadro-resumo de recursos geológicos de argila medidos (t).

Subdomínio Totais Tipo Tipo Argila Fora dos
Monoporosa Biqueima Cerâmica Padrões
Total
Planície 299.743 16.133 242.000 258.133 41.607
Transição 179.975 14.140 126.239 140.379 39.596
Tálus 314.614 10.556 114.409 124.965 189.649
Depósito
Total 794.331 40.829 482.648 523.476 270.855
A Figura D.8 apresenta o percentual de tonelagens classificado para cada

tipo cerâmico, mostrando que a maior parte é enquadrável como “minério”. É
possível observar também a pouca representatividade de blocos de argila mais
nobre tipo monoporosa.
(a) (b) 5%
34%
34% Monoporosa
Argila Cerâmica
Biqueima
Fora dos Padrões
Fora dos Padrões
66%
61%
Figura D.8 - Percentuais estimados de tonelagens de argila classificada como cerâmica e fora dos
padrões (a), com discriminação dos tipos cerâmicos em (b), depósito total.
A Figura D.9 mostra os totais de argila estimada, independente de
classificação cerâmica, indicando uma equivalência entre tonelagens estimadas
para planície e para tálus.
38% Planície
39%
Transição
Tálus
23%
Figura D.9 - Distribuição de percentuais dos recursos geológicos totais (independente de

classificação) por subdomínio.
A maior favorabilidade do subdomínio planície, largamente comentada

nos itens anteriores, fica evidente na Figura D.10. Grosso modo metade da
argila cerâmica classificada encontra-se na planície. A transição, mesmo
ocupando uma área bem menor, apresenta uma tonelagem maior de argila
cerâmica estimada do que no tálus, indubitavelmente o pior domínio do ponto de
vista de qualidade cerâmica do material ocorrente. A situação se inverte para os
totais da argila fora dos padrões (Figura D.11), corroborando a observação
acima.
24%
Planície
49% Transição
Tálus
27%
Figura D.10 - Distribuição de percentuais da argila classificada como cerâmica (total dos dois tipos)
por subdomínio.
15%
Planície
15%
Transição
Tálus
70%
Figura D.11 - Distribuição de percentuais da argila classificada como fora dos padrões, por
subdomínio.
Quando considera-se individualmente os blocos classificados nos dois

tipos cerâmicos diferentes situações são observadas. A argila tipo Monoporosa,
talvez por sua baixa incidência de ocorrência, distribui-se quase que
regularmente nos três subdomínios, com uma leve predominância na planície
(Figura D.12). Enquanto isso, a argila Biqueima (Figura D.13) praticamente
repete o quadro da Figura D.10, uma vez que praticamente toda argila
classificada como cerâmica é do tipo Biqueima.
26%
39% Planície
Transição
Tálus
35%
Figura D.12 - Distribuição de percentuais da argila classificada como Monoporosa, por subdomínio.
24%
Planície
50% Transição
Tálus
26%
Figura D.13 - Distribuição de percentuais da argila classificada como Biqueima, por subdomínio.
Apêndice E – Considerações sobre o Método de ssG
Nos parágrafos a seguir será sumarizada a detalhada explanação de

Goovaerts (1997), onde através de avaliações de incertezas locais com a
obtenção de distribuições condicionais locais de probabilidade cumulativa
(Cap.7), se constrói a base da análise das incertezas globais (Cap.8). Será
enfocado o algoritmo da simulação seqüencial Gaussiana (ssG), aplicado no
presente estudo de caso.
Duas possíveis alternativas de modelamento de incerteza local sobre um
atributo em um local não amostrado são apresentadas abaixo, considerando
diferentes valores como realizações de variáveis aleatórias espacialmente
dependentes em um modelo de função aleatória:
(i) tomar a variância de estimativa como assumidamente Gaussiana e

atribuí-la a intervalos de confiança (95%) acima e abaixo do valor
krigado (centrado neste);
(ii) modelar a distribuição de probabilidade local.
Algumas restrições são evidentes para a primeira hipótese: (i.1) valores

gerados em intervalos de confiança podem ser negativos e/ou espúrios
fisicamente; (i.2) há a necessidade de se assumir um modelo de variável
aleatória Gaussiana para o erro, cuja simetria do histograma gerado na maior
parte dos casos não é realística, especialmente para os casos onde há super ou
subestimativa; (i.3) a variância do erro é independente dos valores amostrais.
Para a segunda hipótese, os intervalos de dispersão de possíveis valores
dependem diretamente da informação disponível (n). Cada função de
distribuição de probabilidade condicional F[u;zI(n)] provê uma medida de
incerteza local que é relacionada a uma locação específica u.
Funções de distribuições cumulativas condicionais são obtidas mais
facilmente asssumindo um modelo para toda a lei espacial (distribuição
multivariada) da função aleatória Z(u). Esta lei precisa ser ampla o suficiente
para que todas as funções de distribuições cumulativas condicionais locais
tenham a mesma expressão analítica e sejam completamente especificadas
através de poucos parâmetros: a média e a variância (abordagem
« paramétrica »). O modelo de função aleatória Gaussiana multivariada, ou
multiGaussiana, tem sido o mais largamente utilizado em função de suas
propriedades extremamente convenientes (simplicidade analítica, conforme
Deutsch & Journel, 1998 p.139), o que torna a inferência dos parâmetros dessas
distribuições de probabilidade local bastante acessível.
Outra maneira de se obter essas distribuições de probabilidades
cumulativas locais é através da abordagem por indicadores. Tal tipo de
metodologia, entretanto, não é aplicada nessa dissertação.
Sob o modelo multiGaussiano, a média e a variância da função de
distribuição de probalidade cumulativa condicional na locação u correspondem
respectivamente à estimativa da krigagem simples e à variância de krigagem
simples obtida dos n(u) dados y(uα). Portanto, a inferência dessa distribuição de
probabilidade local se reduz a resolver um sistema de krigagem simples na
locação u, o que torna extremamente atraente a abordagem multiGaussiana. O
ônus é ter que assumir que os dados seguem uma distribuição multiGaussiana,
uma hipótese rigorosa e díficil de ser verificada na íntegra, apenas aproximada.
Para tal, em primeiro lugar a distribuição univariada dos dados (histograma
amostral) deve ser normal. Por isso, nos casos onde essa distribuição original
não é Gaussiana, como é comum em geociências, deve-se transformar os
dados de acordo, i.e., proceder à normalização dos dados. As etapas
necessárias para este processo são explanadas em Goovaerts (1997, p.267-
271), Deutsch & Journel (1998, p.141), e Olea (1999, Cap.3).
Uma vez adotado o modelo multiGaussiano, a inferência na função de
probabilidade cumulativa condicional local normal se reduz a estimar seus dois
parâmetros (média e variância) a cada locação não amostrada u. O formalismo
multiGaussiano é rígido na exigência da estacionaridade de 2a ordem.
Seja F[u;zI(n)] a função de probabilidade cumulativa local modelando a
incerteza sobre o valor desconhecido z(u). Ao invés de derivar um simples valor
estimado z(u) desta função local, pode-se construir a partir dela uma série de L
valores simulados z(l)(u), l= 1,…,L.. Cada valor z(l)(u) representa um possível
resultado ou realização da função aleatória Z(u), modelando a incerteza na
locação u. Simulações do tipo Monte-Carlo, entre as quais se inclui o método
aqui adotado (simulação seqüencial Gaussiana), são estruturadas em duas
etapas:
(i) geração de uma série de L números aleatórios independentes p(l), l

= 1,…,L, uniformemente distribuídos em [0,1];
(ii) o « elésimo » valor simulado z(l)(u) é identificado com o quantil p(l)
da função de distribuição de freqüência cumulativa condicional
local, de maneira que z(l)(u) = F -1[u;p(l)I(n)], l = 1,…,L. A Figura
E.1 ilustra essa associação, base dos algoritmos de simulação
seqüencial.
valor z
Figura E.1 - Simulação de Monte-Carlo gerada a partir de uma função de distribuição cumulativa
F[u;z|(n)]. O "elésimo" valor simulado z(l)(u) é obtido como o quantil p(l) dessa distribuição
condicional, onde p(l) é um número aleatório uniformemente distribuído em [0,1]. Extraído de
Goovaerts (1997, p.352).
Até aqui foi demonstrado o algoritmo de quantis para gerar uma série de L
realizações z(l)(u), l = 1,…,L a qualquer locação específica u. Isso foi feito
amostrando a função de distribuição de freqüência cumulativa univariada
naquela locação. O modelo de função aleatória multiGaussiana tem sua lei
espacial totalmente determinada pela função covariância no ponto z. Esta é a
base de vários algoritmos de simulação, entre os quais a extensa classe de
simulações sequenciais: ao invés de modelar diretamente uma função de
distribuição de freqüência cumulativa multivariada, uma função de distribuição
de freqüência cumulativa univariada é modelada e amostrada a cada um dos N
nós visitados numa seqüência aleatória. Para assegurar a reprodução do
modelo de covariância dos pontos, cada função de distribuição de freqüência
cumulativa univariada é feita condicional não apenas aos dados originais n, mas
também a todos os valores previamente simulados.
Os métodos de simulação seqüencial compartilham basicamente as
seguintes etapas (Dimitrakopoulos, 1998, em Pilger, 2000 p.36):
• seleção aleatória de um ponto/bloco a ser simulado (uma vez a cada

realização);
• estimativa da distribuição local de probabilidade do ponto/bloco selecionado,
e seleção aleatória de um valor desta distribuição, fornecendo o valor
simulado pelo método de Monte-Carlo mencionado anteriormente;
• adição do valor simulado no banco de dados original;
• repetição das etapas anteriores até que todos os pontos/blocos tenham um
valor;
• repetição do processo como um todo L vezes, gerando L modelos
equiprováveis do depósito.
Duas classes maiores de algoritmos de simulação seqüencial podem ser

distingüidos, dependendo se a série de distribuições locais de probabilidade
condicionais é determinada usando os formalismos multiGaussianos ou de
indicadores.
O algoritmo aplicado nas simulações no presente estudo de caso, a
simulação seqüencial Gaussiana (ssG), está baseado no primeiro tipo de
formalismo. Assim, a ssG compreende um método de geração de realizações
parciais usando funções aleatórias normais multiGaussianas. A essência do
método é a equivalência entre a construção de uma distribuição multivariada e a
construção de uma seqüência de distribuições univariadas condicionais a
realizações univariadas (Johnson, 1987; Isaaks, 1990; Olea, 1999 p.143). Tal
equivalência se embasa na quebra da função de distribuição bivariada de
freqüência cumulativa no produto de duas funções de distribuição univariada de
freqüência cumulativa, aplicando os princípios do teorema de Bayes. A
implementação dessa idéia usando krigagem simples requer que seja assumida
a multinormalidade da variável. Além disso, se na locação xo o erro de krigagem
para a estimativa de Z(xo) segue uma distribuição Gaussiana em N[0,σ2(xo)],
então a distribuição de probabilidade para os verdadeiros valores é N[z*(xo),
σ2(xo)].
Na ssG, a hipótese de trabalho é que cada superfície simulada é uma
realização de um processo multivariado normal. O número de diferentes
realizações é infinito, uma vez que cada função de distribuição de freqüência é
capaz de gerar um número infinito de diferentes valores, independente do
seqüenciamento da visita aos nós a serem simulados. O condicionamento aos
dados é automático, pois a variância de krigagem numa locação amostral é 0,
assegurando que o único possível valor simulado coincida com o valor
observado.
Apêndice F – Normalização

Orig. = Variável no espaço original
Gauss. = Variável no espaço normal (Gaussiano)
Transformação dos Dados
Esp. Orig. Esp. Gauss. A.A.A. Orig. A.A.A. Gauss. A.A.A. Orig. A.R.L. Gauss
(m) (m) (%.m) (%.m) (%.m) (%.m)
0,40 -2,95115 3,84 -2,95395 0,01 -3,09372

0,40 -2,55138 4,93 -2,54017 0,02 -2,73104
0,40 -2,36467 5,68 -2,34821 0,03 -2,49743
0,40 -2,27952 5,79 -2,19691 0,07 -2,22883
0,40 -2,16567 6,04 -2,07904 0,07 -2,08725
0,40 -1,94388 6,09 -1,83722 0,12 -2,05334
0,40 -1,80905 6,14 -1,67210 0,16 -1,90179
0,40 -1,65172 6,32 -1,64201 0,16 -1,77944
0,40 -1,52716 6,33 -1,60763 0,16 -1,63165
0,40 -1,49718 6,56 -1,58043 0,17 -1,50501
0,40 -1,46690 6,75 -1,56083 0,19 -1,47852
0,40 -1,44349 7,09 -1,52967 0,25 -1,40879
0,50 -1,42384 7,12 -1,49947 0,27 -1,34544
0,50 -1,40341 7,14 -1,47847 0,27 -1,28353
0,50 -1,37961 7,17 -1,46142 0,30 -1,22751
0,50 -1,33590 7,31 -1,43087 0,30 -1,21174
0,50 -1,29863 7,46 -1,39729 0,32 -1,19244
0,50 -1,28710 7,50 -1,38081 0,32 -1,17188
0,50 -1,26415 7,64 -1,36303 0,32 -1,15331
0,50 -1,23382 7,73 -1,34105 0,34 -1,13920
0,50 -1,20933 7,80 -1,31756 0,35 -1,12296
0,50 -1,18869 7,89 -1,29669 0,35 -1,08390
0,50 -1,16737 8,08 -1,27514 0,36 -1,05117
0,50 -1,14726 8,08 -1,24689 0,37 -1,03943
0,50 -1,13390 8,11 -1,22055 0,38 -1,02521
0,50 -1,12131 8,21 -1,18625 0,38 -1,01485
0,60 -1,10381 8,29 -1,15586 0,39 -1,00420
0,60 -1,08254 8,30 -1,14136 0,40 -0,98447
0,60 -1,06741 8,44 -1,11183 0,41 -0,94855
0,60 -1,05338 8,60 -1,05400 0,42 -0,91049
0,60 -1,00785 8,80 -1,01430 0,42 -0,89033
0,60 -0,96536 8,88 -0,99834 0,43 -0,88258
0,60 -0,90001 9,15 -0,97821 0,44 -0,87556
0,60 -0,84144 9,24 -0,96215 0,45 -0,81797
(m) (m) (%.m) (%.m) (%.m) (%.m)
0,60 -0,83294 9,35 -0,94814 0,45 -0,76149

0,60 -0,82392 9,38 -0,93522 0,45 -0,75111
0,60 -0,80566 9,43 -0,92686 0,47 -0,74255
0,60 -0,78803 9,52 -0,91583 0,49 -0,70731
0,60 -0,78092 9,53 -0,90353 0,50 -0,67351
0,60 -0,77303 9,56 -0,89447 0,50 -0,66824
0,60 -0,76361 9,57 -0,87546 0,50 -0,65545
0,60 -0,74995 9,58 -0,85498 0,53 -0,63810
0,60 -0,73631 9,58 -0,84387 0,54 -0,62358
0,60 -0,72683 9,71 -0,83181 0,55 -0,61329
0,60 -0,71612 9,75 -0,82052 0,57 -0,60538
0,70 -0,70626 10,02 -0,81184 0,58 -0,59792
0,70 -0,69917 10,05 -0,80271 0,58 -0,59261
0,70 -0,69074 10,07 -0,79085 0,58 -0,58675
0,70 -0,68251 10,07 -0,78070 0,60 -0,57875
0,70 -0,67449 10,10 -0,72728 0,61 -0,56872
0,70 -0,66673 10,20 -0,67502 0,62 -0,55787
0,70 -0,65754 10,23 -0,66752 0,63 -0,54878
0,70 -0,61751 10,27 -0,66081 0,66 -0,53054
0,70 -0,55123 10,31 -0,65026 0,69 -0,48408
0,70 -0,51429 10,34 -0,63243 0,69 -0,44796
0,70 -0,50187 10,49 -0,61717 0,71 -0,44034
0,70 -0,48914 10,61 -0,60649 0,71 -0,43318
0,70 -0,46566 10,65 -0,58064 0,72 -0,42528
0,70 -0,44478 10,80 -0,55256 0,75 -0,41698
0,70 -0,43362 11,01 -0,54118 0,76 -0,39843
0,70 -0,41085 11,08 -0,52892 0,77 -0,37760
0,70 -0,39327 11,21 -0,51693 0,77 -0,36709
0,80 -0,38609 11,21 -0,50906 0,77 -0,35978
0,80 -0,37506 11,24 -0,49879 0,79 -0,34813
0,80 -0,36324 11,26 -0,46253 0,80 -0,33684
0,80 -0,34794 11,56 -0,42722 0,81 -0,32876
0,80 -0,32562 11,66 -0,41908 0,83 -0,32207
0,80 -0,31021 11,91 -0,41329 0,83 -0,31658
0,80 -0,29954 11,96 -0,40673 0,85 -0,30959
0,80 -0,28683 12,07 -0,39899 0,86 -0,30247
0,80 -0,26580 12,15 -0,38929 0,89 -0,29586
0,80 -0,24651 12,19 -0,37770 0,93 -0,28878
0,80 -0,22691 12,20 -0,36636 0,94 -0,28101
0,80 -0,20861 12,24 -0,35086 0,95 -0,27289
0,80 -0,20054 12,29 -0,32780 0,97 -0,26036
0,80 -0,19329 12,38 -0,31095 0,98 -0,24506
0,80 -0,17887 12,40 -0,30414 1,01 -0,23219
0,80 -0,16119 12,48 -0,29716 1,03 -0,22298
0,80 -0,14682 12,52 -0,28611 1,04 -0,21211
0,80 -0,13305 12,58 -0,27541 1,05 -0,19886
0,80 -0,12481 12,63 -0,25006 1,05 -0,18641
0,80 -0,11798 12,65 -0,21718 1,05 -0,17638
0,80 -0,11118 12,70 -0,19425 1,09 -0,17023
0,80 -0,10475 12,78 -0,17980 1,10 -0,16161
(m) (m) (%.m) (%.m) (%.m) (%.m)
0,80 -0,09891 13,06 -0,14893 1,10 -0,15066

0,80 -0,09350 13,19 -0,11566 1,13 -0,14006
0,80 -0,08611 13,30 -0,10547 1,13 -0,12251
0,80 -0,07253 13,30 -0,09734 1,13 -0,09568
0,90 -0,06026 13,34 -0,09122 1,15 -0,07709
0,90 -0,05377 13,35 -0,08159 1,17 -0,07051
0,90 -0,04271 13,43 -0,06776 1,18 -0,06339
0,90 -0,03174 13,55 -0,05693 1,18 -0,05561
0,90 -0,02544 13,66 -0,04957 1,18 -0,04981
0,90 -0,01866 13,80 -0,04227 1,18 -0,04477
0,90 -0,01167 13,81 -0,01773 1,19 -0,03811
0,90 0,01639 14,10 0,00667 1,20 -0,03214
0,90 0,04329 14,13 0,01302 1,21 -0,02682
0,90 0,05081 14,24 0,02213 1,22 -0,01992
0,90 0,06241 14,31 0,03117 1,27 -0,01348
0,90 0,07135 14,46 0,04469 1,29 -0,00821
0,90 0,07957 14,49 0,05863 1,30 -0,00234
0,90 0,08839 14,49 0,06449 1,31 0,01131
0,90 0,11471 14,70 0,06938 1,33 0,02475
0,90 0,14203 14,74 0,07522 1,35 0,03385
0,90 0,14955 14,74 0,08125 1,38 0,04186
0,90 0,15722 14,75 0,08663 1,38 0,04990
0,90 0,17359 14,81 0,09280 1,38 0,05799
0,90 0,19037 14,84 0,10705 1,39 0,06301
1,00 0,20216 14,87 0,12274 1,40 0,06961
1,00 0,21288 14,89 0,13140 1,41 0,09016
1,00 0,22389 14,90 0,13935 1,42 0,10959
1,00 0,23468 15,05 0,14786 1,45 0,11484
1,00 0,24672 15,09 0,15493 1,46 0,12618
1,00 0,25778 15,16 0,16035 1,47 0,13801
1,00 0,26342 15,21 0,17087 1,48 0,14895
1,00 0,27182 15,30 0,18250 1,51 0,15908
1,00 0,28202 15,31 0,18853 1,51 0,16382
1,00 0,29807 15,41 0,19458 1,51 0,16855
1,00 0,31274 15,48 0,20341 1,51 0,17676
1,00 0,31886 15,62 0,21339 1,53 0,19183
1,00 0,32361 15,66 0,22176 1,54 0,20390
1,00 0,33054 15,68 0,23398 1,54 0,20901
1,00 0,33730 15,80 0,24634 1,55 0,21320
1,00 0,34309 15,86 0,26492 1,55 0,21994
1,00 0,35044 15,86 0,28342 1,56 0,23086
1,00 0,35759 15,88 0,30243 1,58 0,23963
1,00 0,36735 15,98 0,32526 1,58 0,24648
1,00 0,39655 16,21 0,34264 1,58 0,25479
1,00 0,42483 16,21 0,35624 1,60 0,26455
1,00 0,43337 16,26 0,36469 1,61 0,27775
1,00 0,44344 16,28 0,37244 1,61 0,28887
1,00 0,45289 16,29 0,37941 1,62 0,29494
1,00 0,45953 16,34 0,39640 1,66 0,30250
1,00 0,46658 16,76 0,41236 1,67 0,31128
(m) (m) (%.m) (%.m) (%.m) (%.m)
1,10 0,47815 16,77 0,42127 1,69 0,33741

1,10 0,48912 16,91 0,43192 1,69 0,36380
1,10 0,49556 16,91 0,43921 1,69 0,36976
1,10 0,50355 16,98 0,44549 1,70 0,37772
1,10 0,51207 17,02 0,45299 1,71 0,38803
1,10 0,51977 17,03 0,46167 1,73 0,40155
1,10 0,52625 17,10 0,47783 1,73 0,41467
1,10 0,54046 17,11 0,49230 1,74 0,42459
1,10 0,55408 17,12 0,49997 1,75 0,43400
1,10 0,56004 17,30 0,50921 1,76 0,44069
1,10 0,57026 17,46 0,54041 1,76 0,45307
1,10 0,58233 17,60 0,57088 1,80 0,46642
1,10 0,59064 17,70 0,58085 1,81 0,47415
1,10 0,60644 17,83 0,59415 1,83 0,48145
1,10 0,62505 18,10 0,60798 1,83 0,48890
1,10 0,63606 18,16 0,61858 1,85 0,49553
1,10 0,64432 18,23 0,62497 1,86 0,50128
1,10 0,65182 18,29 0,63181 1,88 0,53601
1,20 0,66197 18,42 0,64299 1,88 0,57206
1,20 0,67163 18,42 0,65426 1,89 0,57916
1,20 0,68816 18,43 0,66138 1,90 0,58757
1,20 0,70406 18,43 0,66952 1,94 0,59652
1,20 0,71788 18,44 0,68418 1,98 0,60399
1,20 0,73554 18,48 0,69635 2,02 0,61522
1,20 0,74540 18,49 0,70690 2,03 0,62874
1,20 0,75135 18,63 0,71783 2,03 0,63842
1,20 0,75699 18,77 0,75335 2,05 0,64665
1,20 0,76715 18,88 0,78919 2,06 0,65654
1,20 0,78054 19,12 0,79632 2,06 0,66533
1,20 0,79100 19,16 0,80570 2,10 0,67109
1,30 0,79961 19,36 0,81383 2,11 0,67622
1,30 0,80771 19,45 0,81979 2,12 0,68527
1,30 0,81892 19,46 0,83420 2,15 0,69898
1,30 0,83053 19,84 0,85323 2,16 0,71118
1,30 0,84292 19,85 0,87512 2,20 0,72979
1,30 0,85875 19,86 0,89419 2,22 0,74855
1,30 0,88137 19,92 0,91260 2,24 0,75642
1,30 0,90445 20,07 0,93542 2,26 0,76539
1,30 0,91861 20,10 0,95199 2,29 0,77625
1,30 0,92992 20,11 0,97200 2,30 0,78833
1,30 0,94419 20,12 0,99108 2,35 0,80593
1,30 0,95784 20,14 1,00305 2,35 0,82516
1,30 0,97116 20,35 1,01726 2,36 0,83771
1,30 0,98701 20,41 1,02990 2,39 0,84949
1,40 1,02159 20,61 1,04159 2,41 0,86692
1,40 1,05422 20,70 1,05530 2,41 0,88691
1,40 1,06634 20,73 1,06492 2,42 0,90260
1,40 1,07826 20,78 1,07779 2,42 0,91439
1,40 1,08615 20,90 1,09148 2,42 0,93053
1,40 1,09323 21,11 1,10265 2,45 0,94481
(m) (m) (%.m) (%.m) (%.m) (%.m)
1,40 1,10968 21,26 1,11237 2,47 0,95476

1,40 1,13106 21,36 1,11968 2,50 0,97580
1,40 1,14581 21,80 1,12810 2,52 0,99850
1,40 1,15654 21,83 1,14335 2,58 1,01029
1,40 1,16632 21,90 1,15786 2,62 1,02165
1,40 1,18054 22,11 1,17419 2,68 1,03637
1,50 1,19637 22,25 1,19583 2,76 1,05157
1,50 1,20755 22,53 1,20954 2,77 1,06199
1,50 1,21675 23,22 1,22697 2,78 1,07402
1,50 1,22611 23,28 1,24567 2,79 1,08692
1,50 1,23450 23,31 1,25679 2,85 1,09679
1,50 1,25177 23,34 1,26981 2,85 1,11956
1,50 1,27104 23,34 1,28240 2,93 1,14572
1,50 1,28264 23,35 1,30397 2,94 1,16483
1,50 1,29284 23,39 1,32739 2,94 1,18586
1,50 1,30351 23,50 1,34285 3,04 1,20008
1,60 1,31475 24,30 1,35971 3,06 1,20914
1,60 1,32450 24,45 1,37741 3,08 1,21839
1,60 1,33438 24,75 1,39259 3,15 1,22873
1,60 1,34482 24,86 1,40350 3,22 1,24052
1,60 1,35976 25,14 1,42118 3,33 1,25037
1,60 1,38212 25,22 1,43880 3,34 1,27862
1,60 1,40310 25,30 1,46020 3,45 1,31643
1,60 1,42144 25,33 1,48280 3,52 1,33489
1,60 1,45474 25,35 1,50893 3,55 1,35580
1,60 1,49775 25,67 1,53863 3,60 1,37760
1,60 1,53373 25,82 1,55698 3,62 1,39626
1,60 1,58239 26,03 1,57489 3,65 1,41651
1,70 1,62990 26,18 1,59284 3,68 1,44159
1,70 1,65810 26,33 1,60989 3,76 1,46937
1,70 1,68309 26,35 1,64977 3,85 1,48766
1,70 1,70332 26,47 1,75506 3,87 1,52773
1,70 1,74129 27,11 1,85274 3,90 1,57387
1,70 1,78508 27,18 1,88270 3,93 1,59641
1,70 1,82787 27,40 1,91938 3,94 1,64051
1,70 1,87178 27,61 1,95548 3,98 1,68553
1,80 1,90285 28,73 1,98295 4,08 1,71329
1,80 1,93262 28,75 2,02570 4,18 1,78332
1,80 1,99759 30,00 2,08743 4,20 1,84884
1,90 2,07838 30,08 2,14740 4,51 1,89118
1,90 2,12055 30,88 2,19789 4,55 1,96144
1,90 2,16162 31,18 2,24701 4,59 2,06779
2,00 2,22663 32,05 2,36704 4,84 2,18150
2,00 2,30447 32,62 2,54137 5,06 2,32074
2,10 2,44930 33,70 2,66821 5,53 2,53581
2,20 2,73544 35,93 2,96735 5,95 2,87325
2,40 3,15292
Testes de Gaussianidade
A figura F.1 mostra as três variáveis regionalizadas no espaço Gaussiano,

plotadas em gráficos de probabilidade normal. Nesse tipo de gráfico, a freqüência
cumulativa é apresentada em escala disposta de tal forma que uma distribuição normal
aparece como uma linha reta (conforme Goovaerts, 1997 p.269-270). Portanto, é
possível verificar que as variáveis transformadas efetivamente seguem uma
distribuição Gaussiana. Pequenos desvios no caso da espessura são atribuíveis à
repetição de vários valores amostrais, em especial o valor extremo mínimo 0,40 m.
Figura F.1 – Testes de Gaussianidade para as três variáveis de trabalho no subdomínio planície.
Apêndice G – Testes de BiGaussianidade
A utilização do método de simulação seqüencial Gaussiana (ssG), empregado

nessa dissertação na análise de reservas recuperáveis de argila (Capítulo 4), exige que
os dados normalizados sigam uma distribuição multiGaussiana. Para tal, testes de
biGaussianidade são necessários, conforme explanado no item 4.2.2.
Entre os diversos métodos existentes para tal verificação, adotou-se a
comparação entre variogramas da indicatriz experimentais, calculados para quartis
inferior (0,25), mediano (0,50) e superior (0,75), e modelos variográficos teóricos
obtidos para os mesmos quartis. Aspectos teóricos e computacionais desse teste são
apresentados em Deutsch & Journel (1998, p.140-142 e p.227-228).
As Figuras G.1, G.2 e G.3 demonstram uma boa justaposição entre os
variogramas experimentais (pontos) e os modelos contínuos (linhas contínuas), para as
três variáveis regionalizadas em estudo. Isso permitiu a aceitabilidade da
bigaussianidade das distribuições das três variáveis normalizadas, e por conseguinte a
aplicação do método de simulação utilizado.
Acumulação de Absorção d’água

N10W N80E
q = 0,25
γ γ
(m) (m)
q = 0,50
γ γ
(m) (m)
q = 0,75
γ γ
(m) (m)
Figura G.1 – Testes de biGaussianidade para absorção d’água normalizada.

Explicações no texto.
Acumulação de Retração Linear
N25W N65E
q = 0,25
γ γ
(m) (m)
(m) (m)
q = 0,50
γ γ
(m) (m)
(m) (m)
q = 0,75
γ γ
(m) (m)
Figura G.2 – Testes de biGaussianidade para retração linear normalizada.

Espessura de Argila
N10W N80E
q = 0,25
γ γ
(m) (m)
(m) (m)
q = 0,50
γ γ
(m) (m)
(m) (m)
q = 0,75
γ γ
(m) (m)
Figura G.3 – Testes de biGaussianidade para espessura de argila normalizada.
Apêndice H – Número de Realizações
Os diagramas de correlação e mapas apresentados a seguir

fundamentam a opção de limitar em cinqüenta o número de realizações (ou de
combinação de realizações, no caso das variáveis de qualidade), nas análises
advindas das simulações realizadas, conforme discutido no item 4.2.3.2.
Os resultados são apresentadas para as três variáveis finais de interesse,
mostrando a grande convergência global que existe entre resultados oriundos de
vinte e de cinqüenta realizações, justificando esse último número empregado.
Os valores médios simulados indicados nas figuras abaixo correspondem
às médias aritméticas (E-type) de dez, vinte ou cinqüenta valores simulados
para um mesmo bloco. A variância condicional compreende à variância
calculada para as séries de valores em cada bloco.
A.A. = Absorção d’água (%)

R.L. = Retração Linear (%)
Esp. = Espessura de Argila (m)
Absorção d’Água
Figura H.1 – Diagramas de correlação entre resultados oriundos, para absorção d’água, de 10,20 e 50
realizações, para médias simuladas acima, e variâncias condicionais abaixo.
MÉDIAS SIMULADAS (A.A.):
10 realizações 20 realizações
↑N ↑N
50 realizações
↑N
(%)
Figura H.2 – Médias simuladas bloco-a-bloco para absorção d’água, a partir de número variável de
realizações conforme indicado.
VARIÂNCIAS CONDICIONAIS (A.A.):
↑N ↑N
50 realizações
↑N
2
(% )
Figura H.3 – Variâncias condicionais bloco-a-bloco para simulações de absorção d’água, a partir de
número variável de realizações conforme indicado.
.
Retração Linear
Figura H.4 - Diagramas de correlação entre resultados oriundos, para retração linear, de 10,20 e 50
realizações, para médias simuladas acima, e variâncias condicionais abaixo.
MÉDIAS SIMULADAS (R.L.):
↑N ↑N
50 realizações
↑N
(%)
Figura H.5 - Médias simuladas bloco-a-bloco para retração linear, a partir de número variável de
realizações conforme indicado.
VARIÂNCIAS CONDICIONAIS (R.L.):
↑N ↑N
(c)
50 realizações
↑N
2
(% )
Figura H.6 - Variâncias condicionais bloco-a-bloco para simulações de retração linear, a partir de
número variável de realizações conforme indicado.
Espessura de Argila
Figura H.7 - Diagramas de correlação entre resultados oriundos, para espessura de argila, de 10,20 e
50 realizações, para médias simuladas acima, e variâncias condicionais abaixo.
MÉDIAS SIMULADAS (Esp.):
↑N ↑N
50 realizações
↑N
(m)
Figura H.8 - Médias simuladas bloco-a-bloco para espessura de argila, a partir de número variável
de realizações conforme indicado.
VARIÂNCIAS CONDICIONAIS (Esp.):
↑N ↑N
50 realizações
↑N
2
(m )
Figura H.9 - Variâncias condicionais bloco-a-bloco para simulações de espessura de argila, a partir
de número variável de realizações conforme indicado.
Apêndice I – Validações das Simulações
Conforme discussão no Capítulo 4, para usufruir dos resultados advindos

de simulações estocásticas efetuadas, tomando-as efetivamente como possíveis
realizações do depósito em estudo, são necessários procedimentos de
validação. Essas validações buscam verificar se os dois momentos estatísticos
(histograma e função variograma/covariância) foram ergodicamente
reproduzidos nas simulações (Goovaerts, 1997 p.370-373 e p.426-427; Deutsch
& Journel, 1998 p.126-131).
As figuras apresentadas a seguir mostram as validações efetuadas para
as três variáveis regionalizadas em estudo, no espaço original. Os histogramas
de quatro realizações – escolhidas aleatoriamente de um total de cinqüenta –
são confrontados com o histograma desagrupado de referência, para cada uma
das variáveis. Similarmente, variogramas experimentais (representados por
pontos) de dez realizações aleatoriamente escolhidas são confrontados com o
respectivo modelo variográfico de referência (representados por linhas
contínuas), para cada uma das variáveis. Os variogramas experimentais dos
dados amostrais e os modelos ajustados são apresentados junto às validações
de cada variável.
Para todos os casos, pode-se verificar que as simulações reproduziram
ergodicamente os histogramas desagrupados e modelos variográficos de
referência. Isso permitiu a utilização dos resultados nas subseqüentes análises
de reservas recuperáveis de argila.

Acumulação de Absorção d’água
HISTOGRAMA AMOSTRAL DE REFERÊNCIA (DESAGRUPADO):
HISTOGRAMAS DE REALIZAÇÕES:
Figura I.1 - Comparativo entre histograma amostral (pontual) de referência e histogramas de quatro
simulações no suporte 1m x 1m (de um total de cinqüenta): variável acumulação de absorção d’água.
MODELO VARIOGRÁFICO AMOSTRAL DE REFERÊNCIA (A.A.A.):
γ γ
N10W N80E
(m) (m)
VARIOGRAMAS EXPERIMENTAIS DE DEZ REALIZAÇÕES

x
MODELO VARIOGRÁFICO DE REFERÊNCIA
(A.A.A.):
γ γ
N10W N80E
(m) (m)
Figura I.2 – Para a variável acumulação de absorção d’água, modelo variográfico de referência
acima nas direções de maior (à esquerda) e menor continuidade (à direita), com os pontos
representando variogramas experimentais e linhas contínuas correspondendo ao modelo ajustado;
abaixo justaposição entre variogramas experimentais de realizações (pontos) e o modelo de
referência (linhas contínuas).
Acumulação de Retração Linear
simulações no suporte 1m x 1m (de um total de cinqüenta): variável acumulação de retração linear.
MODELO VARIOGRÁFICO AMOSTRAL DE REFERÊNCIA (A.R.L.):
γ γ
N25W N65E
(m) (m)

x
(A.R.L.):
γ γ
N25W N65E
(m) (m)
Figura I.4 – Para a variável acumulação de retração linear, modelo variográfico de referência acima
nas direções de maior (à esquerda) e menor continuidade (à direita), com os pontos representando
variogramas experimentais e linhas contínuas correspondendo ao modelo ajustado; abaixo
justaposição entre variogramas experimentais de realizações (pontos) e o modelo de referência
(linhas contínuas).
Espessura de Argila
simulações no suporte 1m x 1m (de um total de cinqüenta): variável espessura de argila.
MODELO VARIOGRÁFICO AMOSTRAL DE REFERÊNCIA (Esp.):
γ γ
N10W N80E
(m) (m)

x
(Esp.):
γ γ
N10W N80E
(m) (m)
Figura I.6 – Para a variável espessura de argila, modelo variográfico de referência acima nas
direções de maior (à esquerda) e menor continuidade (à direita), com os pontos representando
variogramas experimentais e linhas contínuas correspondendo ao modelo ajustado; abaixo
justaposição entre variogramas experimentais de realizações (pontos) e o modelo de referência
(linhas contínuas).
Apêndice J – Independência de Probabilidades
100
80
60
40
20
0
0 20 40 60 80 100
Prob. A.C. (%)
100 100
80 80
60 60
40 40
20 20
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Prob. A.C. (%) Prob. A.C. (%)
100 100
80 80
60 60
40 40
20 20
0 0
0 20 40 60 80 100 0 20 40 60 80 100
100 100
80 80
60 60
40 40
20 20
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Figura J.1 - Diagramas de dispersão mostrando independência estatística entre probabilidades de

ocorrência bloco-a-bloco de argila cerâmica (Prob. A.C.) e de espessuras excederem determinados
valores de referência (e.g., Prob. Esp. 0,80m = probabilidade de espessura ser ≥ 0,80 m).

Ex Argila-Tese

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Ex Argila-Tese

Enviado por

Direitos autorais:

Formatos disponíveis

MINISTÉRIO DA EDUCAÇÃO E DO DESPORTO

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

ABORDAGEM PROBABILÍSTICA NA AVALIAÇÃO

Roger Luis Stangler

Dissertação para obtenção do título de

ABORDAGEM PROBABILÍSTICA NA AVALIAÇÃO

Roger Luis Stangler

Dissertação apresentada ao programa de Pós-Graduação em Engenharia de

Orientador: Prof. Dr. João Felipe Coimbra Leite Costa

Prof. Dr. Armando Zaupa Remacre – IG/UNICAMP

Prof. Dr. Carlos Pérez Bergmann – PPGEM/UFRGS

Prof. Dr. Jair Carlos Koppe – PPGEM/UFRGS

Prof. Dr. Jair Carlos Koppe

La Nature est un temple où de vivants piliers

Comme de longs échos qui de loin se confondent

Aos meus pais,

Ao Professor Dr. João Felipe Costa, por sua eficiente orientação,

Capítulo 2 - Contexto Geológico e Industrial............................................ 10

Capítulo 3 - Definição dos Recursos Geológicos ..................................... 39

3.3 Modelamento de Continuidade Espacial: Variografia............ 71

Capítulo 4 - Análise das Reservas Recuperáveis .................................. 107

4.5.1.3 Combinação de Critérios Mineiros e

Capítulo 5 - Conclusões e Recomendações .......................................... 179

Referências Bibliográficas...................................................................... 186

Apêndices .............................................................................................. 192

Figura 1.1 Seqüência metodológica adotada......................................... 8

Figura 2.1 Localização da área de estudo (distâncias em km). Fonte:

Figura 2.2 Contexto geológico e topográfico local da área de estudo

Figura 2.3 Geologia regional da área de estudo estudo (adaptada do

Figura 2.4 Contexto geológico regional da área em estudo (mapa-base:

Figura 2.5 Fotografia aérea à esquerda e mapa topográfico à direita,

Figura 2.6 Visão parcial da área sondada (delimitada em vermelho) em

Figura 2.7 Seções verticais esquemáticas cortando os dois

Figura 2.8 Afloramento em corte vertical mostrando depósito de tálus

Figura 2.9 Visão da área de SW para N, mostrando aproximadamente

Figura 2.11 Fotografia aérea da região da área de estudo e

Figura 2.12 Fotointerpretação de detalhe .............................................. 27

Figura 2.13 Corte aberto para extração experimental de argila

Figura 3.1 Mapa base contendo a delimitação da área sondada

Figura 3.2 Mapa de relevo da área estudada, contendo informações

Figura 3.3 Elevação topográfica para a área de estudo. Coordenadas

Figura 3.4 Locação de todos os furos de trado em malha 25x25m,

Figura 3.5 Mapa base com os valores amostrais de espessura na área

Figura 3.6 Mapa base com os valores amostrais de absorção d’água na

Figura 3.7 Mapa base com os valores amostrais de retração linear na

Figura 3.8 Mapas de valores amostrais de acumulação de absorção

Figura 3.9 Mapas de valores amostrais de acumulação de absorção

Figura 3.10 Distribuição amostral original (a) e desagrupada (b) para

Figura 3.11 Distribuições amostrais de absorção d’água (a) e retração

contendo os intervalos de classificação cerâmica, são

Figura 3.12 Distribuição amostral original (a) e desagrupada (b) para

Figura 3.13 Diagramas de correlação entre: (a) absorção d’água e

Figura 3.14 Histograma da espessura .................................................. 67

Figura 3.15 Histograma original de absorção d’água (a) e retração linear

Figura 3.16 Distribuição amostral original para acumulação de absorção

Figura 3.17 Diagramas de correlação entre: (a) absorção d’água e

Figura 3.18 Modelos variográficos (linhas contínuas) ajustados para o

Figura 3.19 Modelos variográficos (linhas contínuas) ajustados para o

Figura 3.20 Sumário das direções de maior continuidade espacial para

Figura 3.21 Aproximação da relação de continuidade espacial

Figura 3.22 Comparativo de resultados finais entre estimações a partir

Figura 3.23 Transformação dos originalmente dois subdomínios

Figura 3.24 Resultados da krigagem em blocos 25x25m para a variável